凯文·凯利：未来世界的趋势是什么？
作者 陈怀临 | 2014-12-03 18:19 | 类型 行业动感 | Comments Off
|
编者按： 凯文·凯利（Kevin Kelly）来了。这位《连线》（Wired）杂志创始主编、互联网领域最受欢迎的“预言家”，12月1日现身北京国家会议中心，在2014（首届）中国社群领袖峰会上发表“创新与未来”的主题演讲。 在凯文·凯利的描述中，未来世界会不断从科层制中去中心化，分享和移动化将是趋势，创新将来自前沿和边缘。未来20年，最伟大的产品还没有被创造出来，在创新的道路上，现在出发还不晚。 以下是凯文·凯利发表的主题演讲实录。 凯文·凯利（KEVIN KELLY，《连线》杂志创始主编） 1 自然造物九大规律 在演讲的第一部分，凯文·凯利再度回顾他20年前所著的《失控》一书，其中揭示了关于自然造物的九大规律。
第一条规律是分布式结构，第二条是自下而上的控制。第三条规律是递增收益。这是个经济学专有名词。增强效应发展非常迅速。胜者赢得一次成功，也会取得更多成功。这是生物学的一个规律，也适用于经济。这就是为什么我们通常急于冲在前面，因为这些促使你在早期成功的优势也会变得越来越强大。
第四条规律是模块化生长。我们的生命，无论是身体器官，还是动态系统，都起源于非常简单的单位。细胞组成组织，组织构成器官，器官构成我们的身体，这就是模块的等级。复杂的公司、复杂的产品也从最基本、最小的事物建立。将简单且能够独立运作的小模块组合成一些大的事情，这些在科技中随处可见。 第五条规律是边界最大化。所有的创新都发生在事物的边缘，它不会发生在事物的中心地带。所有创新从边缘开始延展，比如现在谷歌、脸书、亚马逊和苹果，中国也是如此，有很多边缘化的发展。在前沿和边缘，他们不在正常范围。 第六条是礼遇犯错。犯错是生物进化一个必要的部分。礼遇犯错，意味着你要去拥抱失败。没有失败，我们就不会更加努力地尝试。 第七条是，不求最佳条件，但要多目标运行。一个复杂的产品、公司、国家，需要在同一时间运行多项任务，尝试组织至少两种任务。 第八条是谋求持久的不均衡状态。一方面，用力过猛会发生崩溃，另一方面，不采取任何行动也会死去。需要在上升和下降之间做一些事情，谋求持久的不均衡状态，如同一条冲浪的曲线，这条线好像要下降，这正是事物发展的强大之处，因为你会迎来下一个高峰。商业也是如此。 第九条是变自生变。最强大的创新是改变“变革本身的发生机制”。这正是互联网产品的力量。你若能把自己放在这样的一个位置，那将是最强大的所在。最后的关键是，所有这些变化，都是在改变“变化的方式”，也就是所谓的“元改变”，也就是说，当前世界最强有力的变化，实际上是改变了“变革发生的规则”。改变规则不仅仅是意味着去掌控规则或者去习惯规则，而是去改变“变化本身的发生机制”。因此这也正是网络对我们带来的真正强有力的革新：改变了“变化本身的模式”。
2 让我们倾听技术想要什么 我们应该倾听技术，研究它工作的方式，这就是当今最强大的力量。 我们如今坚定地相信，最强大的促使变革的力量是技术。技术比任何的个人，政府，社会组织都要更加强大。 我的工作即是倾听技术想要告诉我们的东西：技术想要什么，它想怎么发展。因为如果我们让我们的的公司，产品，生意，创意，能够和技术自身的发展模式匹配，我们将由此获得优势。因此我认为我们应该倾听技术，研究它工作的方式，这就是当今最强大的力量。技术革新是我们想要达成的事情，技术革新改变了“变化本身的规则”，这种力量塑造我们的存在方式。 我们想要掌握生物塑造自然界的那种力量，并用这种力量来改变技术世界，如同生物在自然界那般有创造力，并且更加迅猛。 当我在思考技术的时候，我喜欢使用生物学的术语作为比喻，我不仅谈论组织，也谈论适应性。比如鱼非常适应水中的生活，它对周围的环境适应得很好。经过千万年的进化，物种变得非常的适应环境，比如蝴蝶，比如袋鼠等等。一些适应不良的物种，它们随时处于灭绝的边缘，形势不妙。 有些公司本身也如同这些物种一样，处在底层，适应不良，不断挣扎。但关键是，创新往往正发生在低适应度的地方，人们在这种危险的地方，才会不断创造。 每个公司都想不断变得优秀，整个组织达到环境最佳适应的状态，这个变化的源泉就是创新，使我们更好地生存。但是在不断变得优秀的过程中，它们实际上离创新越来越远。变得优秀的过程仿佛是在爬山，当你达到完美的时候，你就到达了顶峰。 无论老公司还是年轻公司，当你已经在一些传统的行业，比如制造汽车，非智能手机这些方面做得非常的完美，那么为了进行任何的改变，都必须从山上走下来，变得利润率更低，前景更不明朗，更不优秀。没有人希望这么做，没有人会这么做，这非常困难。然而，唯一改变的办法只有是从山上走下来，进化。如果你想要创新。 创新永远不会在山峰出现，如果你要创新，要进化，就只能变得不太优秀。相信我，这非常非常难以做到。 并且，当我们清晰的看到自己的目标，以为它离我们很近，但是去往这个目的地的路程却非常遥远，要绕很多弯路，很难走。因此，企业家常常说自己知道要创新，要完成一个目标，但是去到那里却非常难。
3 让三个主要趋势 去中心化，流体化，移动化，这三个主要趋势在过去20年发生了，并且在未来20年很可能继续。
现在我们来谈谈三个主要的趋势。它们在过去20年发生了，并且在未来20年很可能继续。当你考虑自己的生意和公司的时候，很显然这些趋势将会继续影响你的判断。 去中心化。在过去20年里，网络技术想要去中心化。无论你希望做什么，只要你在试图使自己去中心化，你便是这个历史进程的一部分。这个世界在不断地从科层制之中去中心化。我们已经见证了很多技术和商业领域去中心化的过程，可以认为，这一趋势将会在未来20年中继续发生。 只要还有一些中心化的东西存在，我们就可以讨论如何将其去中心化。比如说，银行业。银行一直是非常中心化的一个行业，于是我们可以来谈论一下，如何将金融服务去中心化，变成分享经济模式，同时又分享影响力。这是一个很好的例子。 对去中心化进程的一个回应是分享。分享是去中心化进程的动词表达，这是我们之所以有很多分享社区的原因。我们可以分享数据、进程、影响力、信息，去中心化的结果即是分享行为的增加。回到刚才的例子，过去的专家并不会分享金融信息。如果要研究人们现在开始分享的原因，我们就必须强调“分享”的特质和能力。 流体化。流体化同样是过去二三十年的一个主要趋势。流体化的意思是说，信息可以从一种媒介流向另一种。现在我们的产品都是不固定的，它们从一个流向另一个，无论是内容还是形式。我们有流媒体，有脸书的信息流，有各种数字媒体的音乐、电影、图书，这一切都在流动，变异，变化。在今天，永远不要说我们的产品完工了，永远不要把什么东西当作是一个容器，它一定继续变化，流动。这将继续成为未来几十年的趋势。 移动化。这不仅仅是关于手机，我们现在有了移动经济，能够影响到每一个个体。我们有了全球化的经济，能聚焦于不同的个体，在过去的20年，我们一直在增加世界的移动性。不仅仅是人，连同物本身，甚至每一件衣服，也变成了移动世界的一部分。最具有移动性的事物是数据，它是所有移动性的一个平台。
4 创新与颠覆 创新公司正是从大公司注意不到的地方开始创新，不断改进。不管你是什么样的企业，创新都是来自边缘。
下面我要讲的是，创新与颠覆。我想先回顾一下创新始于哪里。你们今天之所以来参加这个会议，是因为你们具有创造力，理解科技的力量。我就讲讲创新是如何进行的。 200年前，帆船已经是高科技。制造帆船的公司是一个全球性的公司。它在全世界范围内几乎没有对手。但是第一艘蒸汽帆船诞生的时候，它还不能行驶的太远，大概20公里，声音非常吵，也不可靠，价格昂贵，但是有一点，蒸汽帆船能够逆流而上，这是帆船做不到的。这一点看起来不起眼，但也是一门生意。随着技术的发展，蒸汽船变得越来越好，也越来越可靠。蒸汽引擎的诞生，最终颠覆了这家全球性的帆船公司。 这样的现象还发生在汽车行业。1943年，位于底特律的通用汽车公司（GM）掌握汽车的制造技术，这是世界上最复杂的技术。当时的本田还是一个制造自行车的小公司。1963年，GM还在制造相同的汽车，虽有改进，却不大明显，本田在这一年制造出来第一辆汽车，之后，本田不断取得技术上的进步，变成非常有活力的公司，而GM破产。 IBM在当年也是计算机的行业老大。当时比尔·盖茨为电脑Altair开发软件，IBM没有把他放在眼里。后来，微软蓬勃发展。IBM没有被计算机公司颠覆，反而被软件公司颠覆了。微软变成了一家无人能够竞争的公司，每个人都希望在微软工作。 微软后来又被谷歌的搜索引擎战胜。现在谷歌是世界闻名的公司。下一个谷歌可能是亚马逊，脸谱网，也可能是Dropbox。 这些都是来自边缘的创新，这些都是颠覆创新的力量。你需要有一个点来打动你的客户，创新的事物，比如第一个蒸汽船，第一个汽车，计算机等，这些创新企业在很长时间被人忽视，但后期不断冲击创新，不断改进、改进，突然有一天冒了出来，成为创新与颠覆的典型。 新的创新，比如蒸汽船、自行车，早期的Altair电脑，都是不可信赖的，利润薄、客户满意度低、质量不高，谁想做这样的生意？没有人！这样做生意很糟糕。创新公司做这样的项目，因为它们没有选择，它们没有钱，利润率和认可度都非常低。这是大公司的两难，它们不愿意降低到基准线以下，但那是创新的源动力。创新公司正是从大公司注意不到的地方开始创新，不断改进。不管你是什么样的企业，创新都是来自边缘。 我下面要谈谈探索创新，未来即将发生颠覆是如何出现的。 首先是移动的趋势。手机每个人都有，它也曾是一个颠覆性的事物。手机最大的颠覆并非来自于手机本身。不同阶段手机由三种不同的介质传递信息：铜、硅和氧气。氧气的意思是指无线，因为更多的信息将是无线流通。 在不久的将来，我们通过无线网络来传输的信息总量就会超过通过有线网络来传输的信息总量。我预计，有线的世界在2016年会变成一个无线的世界。 关于移动我需要强调的第二点是云。在亚马逊，讯息上传到云，从云上被下载。还有区域的云，你可以把家里或公司的信息放到区域云。可达性比所有权更重要。你不必买电影、音乐，因为你可以在世界任意位置得到它们，这就是移动使用。 关于移动我想说的第三点，就是即时性。所有的事情都是即时发生，包括推特。30年前，世界上的第一台传真机发明出来了。你可以想象30年前的传真机非常昂贵。随着人们越多地购买和使用传真机，传真机价格更低、价值更高。这就是我们说的递增收益。就像第一个电子邮件。我有邮件，如果你们不用邮件，我的邮件就没有价值与意义。只有越来越多的人加入这个网络，这个网络才会增加价值。 越多的顾客，就能创造越多的内容，越多的内容，吸引越多的顾客，就能创造更多的内容。这就是递增收益。这就是网络的效应，新经济的规则。 传统的企业是线性增长，创新企业是指数增长。传统企业是自己完善产品，创新企业的产品是由客户来完善的。产品曾经站在高点，今天被不断拉低了。产品未来的成本将趋向零，利润将无限大。 大数据是另外一个描述。每一个行业都是数据行业。你的生意现在是关于数据的生意。所有的生意都变成数据的生意。顾客的数据和你的顾客一样重要。 对于人体，将会发展出量化的自我。我们可以进行自我测试，发展出个性化定制化的医疗服务。所以下一步，可穿戴智能产品将颠覆我们的穿戴习惯。这将让我们有更多见面，不仅是线上或线下的，网帧技术将让我们与屏幕共舞。 谈到人工智能（Artificial Smartness）这个词，我不想用Artificial Intelligence，我认为Artificial Smartness更合适，因为前者暗示工具是有意识的。我想强调的是，人工智能只是更聪明的工具。比如Siri，可以模拟人声为人们指路。亚马逊也在运用这样的人工智慧，现在最少有数万家企业运用人工智能技术，或多或少融入它们现在的产品。正如过去10年发生的趋势那样，把实体的服务电子化。未来所有电子化的产品也会人工智能化，就像现在的电力，只需要把插头放进插孔就可以，未来人工智能也会变得这样容易获取。现在我们把所有的产品添加人工智慧，颠覆的力量就来了。比如机器人就是这样的产物，它可以自行开车，可能大家难以想象以后汽车会变成我们的办公场所。 3D技术也需要重视，它会改变高成本、低质量的2D技术。中国将在3D打印技术和生产领域领先。 现在就有美国的企业与深圳进行数据与生产的合作，我认为中国未来在此领域会领先制造。 说一说电子货币，去中心化的交易是一种技术的变革，用户可以凭借授权码在此平台上交易，这样就会发生个体与个体进行的交易，P2P贷款等行为。银行将不再存在。比特币是一种很有潜力的电子货币，但它有很多不被认可的问题，比如安全问题，但还是应该对它进行关注，因为货币的去中心化也是未来的趋势。我想表达的是，这个领域有很大潜力。 20年前，我不可能想象今天发生的一切，20年后你也不可能想象未来的情景。我们更应该相信那些看起来不可能的事。未来20年最伟大的产品还没有创造出来。因此，你还不算晚！ （本文由Scarlett整理） | |
 (3个打分， 平均：5.00 / 5) |
Spotify的深度学习音乐推荐
作者 AbelJiang | 2014-12-03 18:15 | 类型 行业动感 | Comments Off
|
喜欢音乐的旁友应该都知道Spotify吧？中文叫声破天。个人非常喜欢的一款音乐推荐应用。这次要贴的内容是一个在Spotify做intern的Researcher结束工作以后写的一篇博文，讲了自己在Spotify的相关研究，挂了很多有关Spotify算法的链接，信息量挺大的一篇博文，原谅我还没看完就迫不及待的分享出来。结尾的地方写道：Spotify is a really cool place to work at. They are very open about their methods (and they let me write this blog post), which is not something you come across often in industry. If you are interested in recommender systems, collaborative filtering and/or music information retrieval, and you’re looking for an internship or something more permanent, don’t hesitate to get in touch with them. 额，这个公司萌萌哒~详情戳图 | |
 (没有打分) |
Spark的现状与未来发展
作者 陈怀临 | 2014-12-02 10:17 | 类型 Deep Learning, 机器学习 | 1条用户评论 »
|
[转载文章］ Spark的发展对于一个具有相当技术门槛与复杂度的平台，Spark从诞生到正式版本的成熟，经历的时间如此之短，让人感到惊诧。2009年，Spark诞生于伯克利大学AMPLab，最开初属于伯克利大学的研究性项目。它于2010年正式开源，并于2013年成为了Aparch基金项目，并于2014年成为Aparch基金的顶级项目，整个过程不到五年时间。
由于Spark出自伯克利大学，使其在整个发展过程中都烙上了学术研究的标记，对于一个在数据科学领域的平台而言，这也是题中应有之义，它甚至决定了Spark的发展动力。Spark的核心RDD(resilient distributed datasets)，以及流处理，SQL智能分析，机器学习等功能，都脱胎于学术研究论文，如下所示：
Discretized Streams: Fault-Tolerant Streaming Computation at Scale. Matei Zaharia, Tathagata Das, Haoyuan Li, Timothy Hunter, Scott Shenker, Ion Stoica. SOSP 2013. November 2013.
Shark: SQL and Rich Analytics at Scale. Reynold Xin, Joshua Rosen, Matei Zaharia, Michael J. Franklin, Scott Shenker, Ion Stoica. SIGMOD 2013. June 2013.
Discretized Streams: An Efficient and Fault-Tolerant Model for Stream Processing on Large Clusters. Matei Zaharia, Tathagata Das, Haoyuan Li, Scott Shenker, Ion Stoica. HotCloud 2012. June 2012.
Shark: Fast Data Analysis Using Coarse-grained Distributed Memory (demo). Cliff Engle, Antonio Lupher, Reynold Xin, Matei Zaharia, Haoyuan Li, Scott Shenker, Ion Stoica. SIGMOD 2012. May 2012. Best Demo Award.
Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing. Matei Zaharia, Mosharaf Chowdhury, Tathagata Das, Ankur Dave, Justin Ma, Murphy McCauley, Michael J. Franklin, Scott Shenker, Ion Stoica. NSDI 2012. April 2012. Best Paper Award and Honorable Mention for Community Award.
Spark: Cluster Computing with Working Sets. Matei Zaharia, Mosharaf Chowdhury, Michael J. Franklin, Scott Shenker, Ion Stoica. HotCloud 2010. June 2010.
在大数据领域，只有深挖数据科学领域，走在学术前沿，才能在底层算法和模型方面走在前面，从而占据领先地位。Spark的这种学术基因，使得它从一开始就在大数据领域建立了一定优势。无论是性能，还是方案的统一性，对比传统的Hadoop，优势都非常明显。Spark提供的基于RDD的一体化解决方案，将MapReduce、Streaming、SQL、Machine Learning、Graph Processing等模型统一到一个平台下，并以一致的API公开，并提供相同的部署方案，使得Spark的工程应用领域变得更加广泛。
Spark的代码活跃度
从Spark的版本演化看，足以说明这个平台旺盛的生命力以及社区的活跃度。尤其在2013年来，Spark进入了一个高速发展期，代码库提交与社区活跃度都有显著增长。以活跃度论，Spark在所有Aparch基金会开源项目中，位列前三。相较于其他大数据平台或框架而言，Spark的代码库最为活跃，如下图所示：
从2013年6月到2014年6月，参与贡献的开发人员从原来的68位增长到255位，参与贡献的公司也从17家上升到50家。在这50家公司中，有来自中国的阿里、百度、网易、腾讯、搜狐等公司。当然，代码库的代码行也从原来的63,000行增加到175,000行。下图为截止2014年Spark代码贡献者每个月的增长曲线：
下图则显示了自从Spark将其代码部署到Github之后的提交数据，一共有8471次提交，11个分支，25次发布，326位代码贡献者。
目前的Spark版本为1.1.0。在该版本的代码贡献者列表中，出现了数十位国内程序员的身影。这些贡献者的多数工作主要集中在Bug Fix上，甚至包括Example的Bug Fix。由于1.1.0版本极大地增强了Spark SQL和MLib的功能，因此有部分贡献都集中在SQL和MLib的特性实现上。下图是Spark Master分支上最近发生的仍然处于Open状态的Pull Request：
可以看出，由于Spark仍然比较年轻，当运用到生产上时，可能发现一些小缺陷。而在代码整洁度方面，也随时在对代码进行着重构。例如，淘宝技术部在2013年就开始尝试将Spark on Yarn应用到生产环境上。他们在执行数据分析作业过程中，先后发现了DAGSchedular的内存泄露，不匹配的作业结束状态等缺陷，从而为Spark库贡献了几个比较重要的Pull Request。具体内容可以查看淘宝技术部的博客文章：《Spark on Yarn：几个关键Pull Request(http://rdc.taobao.org/?p=525)》。
| |
|
(1个打分， 平均：1.00 / 5) |
机器学习应用–Smart Autofill
作者 AbelJiang | 2014-12-02 10:13 | 类型 机器学习, 行业动感 | Comments Off
|
机器学习算法被广泛的应用在谷歌家的语言语音处理，翻译，以及视觉图像处理方面的应用上，看起来都是比较拒人千里的东西，但是最近，谷歌把这项技术用在了自家的Google Sheets上，貌似在我朝较难使用Google Sheets，但是感兴趣还是可以在Chrome Webstore里找到这款叫做Smart Autofill的插件试用一下。 那么Smart Autofill是干什么用的呢？顾名思义，它是用来填表的。经常用Excel的读者一定知道一个功能叫自动填充，能够填充的信息包括日历日期，星期，以及有序数字等。Smart Autofill干的是类似的事，但由于融入了机器学习，逼格又稍高，它可以根据表格中与缺失信息栏相关栏中的数据，学习其中的模式，推测出缺失信息栏中缺失的数据。 Smart Autofill使用了谷歌基于云的机器学习服务–Prediction API。这项服务可以训练多种线性或非线性，分类和回归模型。他会通过对比利用cross-validation算出的Misclassification error（针对分类问题）或RMS error（针对回归问题），自动选出最佳的模型，用于数据预测。 让我们来举个例子： 在下图的截图中，我们给出车的五个非常简单的数据，分别为使用购买年份，行驶里程，车门数量，车辆类型以及价格。因为车的价格可能和车的这些特质有关，因此可以把那些包含价格的行作为训练数据，用Smart Autofill来估测缺失的价格数据。
/*高亮所需数据，选中目标栏*/
参考： | |
|
(1个打分， 平均：1.00 / 5) |
【王涵：物理八卦】星际穿越、相对论和Kip Thorne
作者 陈怀临 | 2014-12-01 14:02 | 类型 科技普及 | 7条用户评论 »
|
这是一篇“戏说+八卦+观后感”的文章，笔者主要的目的，是做个纪念。其中更多的是一些物理八卦，而且笔者一扯这些东西就收不住，然而有关电影中的一些桥段，虽有涉及，却并不多。请各位看官知悉。 1.这部电影对笔者的特殊意义：跟Interstellar套个近乎：1.1 从师承上，往Interstellar上套个近乎：本人和太太在美国读天体物理PhD的时候，导师是Washington University 的Clifford Will教授，而本片的Executive Producer之一的Kip Thorne又是Clifford Will的博士导师，所以尽管本人在学术上算是相对论界不入流的小人物，但从师承上来说，算是Kip Thorne的嫡亲徒孙。换句提高Bigger的话说“这是俺师爷出品的电影”。
顺便说一句：前几天有朋友说到生活大爆炸里的Sheldon认不认识Kip Thorne，我记得有一集里面，Sheldon说要去听Kip Thorne的讲座，所以Sheldon对Kip应该是属于敬仰的那种吧。在物理学界来说，Kip Thorne与霍金是同级别的人物（实际上两人也是非常好的朋友），而Sheldon遇到霍金时候有多紧张，我记得有一集里演过的。嘿嘿。
1.2 “2006年，那是一个冬天”，再往Interstellar上套个近乎：相对论这个圈子说小不小，说大不大。不知道从什么时候开始，这个圈子里比较重要的学者过60岁生日的时候，大家都会聚在一起开个学术会议，顺带为其办一个生日fest。印象里Kip Thorne的生日Kip Fest是2000年开的。而2006年的时候，赶上我导师60岁生日，于是就在我们学校搞了一次相对论的会议（2006 Midwest relativity meeting），开了Cliff Fest。
当天晚宴，恰巧安排我和Kip及其夫人Carolee一桌，那次应该是俺第一次在非正式学术的场合和Kip接触，也是在那晚的餐桌上第一次听Kip说起前些时候斯皮尔伯格大叔找他，希望他写个剧本。用Kip的话来说，其目标是要拍一部“时空旅行、平行宇宙、但又不违反物理定律”的电影。由于Kip是俺们这个圈子里大神一样的人物，因此之后虽然偶2009年离开物理界，来到金融圈子里混饭吃，但仍会时不时的关心一下那个电影的进度。8年磨一剑，真是等的花都要谢了。好在电影从制片、导演到演员，没有一个是低规格的，算是对得起俺们的苦等。而片中一些对奇异物理现象深入浅出的解释，简直就是当年读书、搞研究时候的情景再现，八年过去，物是人非，看完差点掉眼泪。扯远了……
1.3 Michael Caine扮演的Prof.Brand与Thorne的关系Interstellar里面，当型男主角走进NASA那个会议室，Michael Caine扮演的Prof.Brand第一次出场的时候，俺直接就叫出声来了，那活脱脱就是一个当年有头发时候的Kip Thorne的形象（好像08年之后Kip Thorne开始剃光头，偶戏称之为“龟仙人老爷爷造型”）。偶认为，Michael Caine就是按照Thorne的形象来装扮的。此前也一直有传言Kip可能会在片中扮演一个角色，最终以Michael Caine来出演，也算了不错。当然，像不像这个事情，仁者见仁智者见智。下面几张照片，供看官自行判断：
【Thorne有头发时候的形象】
【片中的Prof.Brand】
【Thorne光头的“龟仙人老爷爷”形象】 2. Kip Thorne与理论物理界的Wheeler系【照片：Thorne和Wheeler】
要八KipThorne，就得从他的导师John Archibald Wheeler开始谈起。Wheeler本人在研究方面已经是大牛了，但Wheeler对理论物理学界更大两件贡献，第一个，是在学界对相对论理论的理解，从“几何化”向“物理化”过程中，做了非常多的贡献；第二个，是Wheeler一系培养了大量牛X的徒子徒孙，Wheeler的学生里，除了Kip Thorne之外，还有大名鼎鼎的费曼。
2.1 相对论：数学还是物理？【注：本部分有一些物理内容，和Interstellar无关，主要是为后面八卦Wheeler用的，无兴趣者可跳过】
物理理论的发展史上，数学在其中一直起着非常重要的作用。例如经典力学的发展，就离不开牛顿、莱布尼兹等人对微积分的贡献。但至少整个经典理论里面，数学更多的是一种辅助的作用，物理的本源仍然是可以独立于数学存在的。而到了老爱的广义相对论这里，情况就变了。
简单的一个结论，狭义相对论是有一个有关世界观的理论，而广义相对论，则是将这种世界观拓展到了有引力存在的情况下。
所谓的狭义相对论的世界观，即是说，在狭义相对论之前，人类是从“三维空间+一维时间”的角度去理解世界的。而老爱的狭义相对论，第一次把“空间+时间”放在了一起，让我们从“四维时空”的角度去理解这个世界。
”4维”时空到底有啥特别的呢？简单的来说，如果我们认为世界的本质应该用四维时空来描述（其中包括3维空间+1维时间），那么时间仅仅是某个物理量在时间轴上的投影。就像我们在中学解析几何中学到的那样，对于X-Y直角坐标系中的一个矢量，我们可以通过垂直投影的方式，读出这个矢量在两个轴上投影的长度。但如果我们将坐标轴本身（顺时针或逆时针）旋转一下，则尽管这个矢量本身没有任何的变化，但我们在新坐标轴上读出的两个投影长度就发生了变化。换句话说，在这个问题里面，这个矢量是一个本质的东西，而其在各个坐标系下的投影，会因为观察角度和立场（坐标系）的不同而不同、并非物理本质。
如果我们把上面的Y轴，想象成时间轴，则会发生什么呢？明白了吧？简而言之，老爱的狭义相对论，认为我们应该用四维时空来描述世界，时间只是和空间的x,y, z维度一样，并非物理现象的本质，而是物理现象（准确来说是物理事件event）在坐标轴上的一个投影。当观察者所处的坐标系（观察系）不同，距离（比如尺子的长端），时间（或者说时钟的快慢）就会有差异。
在经典物理学中，引力和电磁力是有比较完备理论的。但是，老爱在狭义相对论里面，是没有考虑引力的。狭义相对论和经典的电磁学结合的很好，但当老爱开始考虑把引力也纳入相对论的框架时，开始遇到问题。最终的解决办法，是通过黎曼几何，即老爱用时空弯曲来解释了引力的本质。
关于时空弯曲和引力的关系，一个科普读物中常出现的例子：想象有一个巨大的床垫，其表面柔软且平滑，我们在上面滚玻璃球。如果床垫上没有别的东西，床垫是平的，则玻璃球在上面总是沿着直线运动（牛顿第一定律）。现在想象一下，我们在这个床垫的中间放一个很重的保龄球，这个时候，床垫的表面就发生了弯曲（中间陷下去了）。如果这个时候在上面玩玻璃球，玻璃球的轨迹就会不由自主的偏向中间的保龄球。对于速度慢或者一开始静止的玻璃球，最终会掉到保龄球旁边（俘获）。而如果玻璃球的初速度比较快，且角度合适，玻璃球就会绕着保龄球转上几圈（轨道）；如果速度再快一点，玻璃球的轨迹只是会在途径保龄球附近时候发生比较明显的弯曲，然后就跑远了（逃逸）。
现在让我们想象，中间的这个保龄球是太阳，床垫是四维时空，小玻璃球是行星。牛顿认为，行星的轨迹之所以会受到太阳的影响，是因为两者之间有“引力”。而老爱认为，两者之间的这种关系，本质可以用时空（床垫）弯曲来解释。质量大小，决定了时空弯曲的程度。
上面的这个比方，只是科普读物为了让读者理解，对老爱理论的一种简化，实际上的情况复杂得多。但老爱的广义相对论，把引力等同于时空弯曲，这是其最核心的理念。但这种处理方法，也带来了一个麻烦，就是传统意义上的数学在广义相对论里很多都失效了。想象一下，弯曲时空有多麻烦，比方说，在平直时空里面，两条平行线是不会相交的，但弯曲时空中就不同。比如地球上所有的经度线，在赤道上的时候都是平行的，但都会在南极、北极两个点上相较，这是因为地球表面是一个2维曲面。2维曲面已经如此复杂，现在来让我们想象一下四维曲面。所以，为了更好的描述引力场下的相对论理论，必须要引入黎曼几何。
2.2 从物理的角度理解相对论：Wheeler系与MTW前面说了，广义相对论对于数学的要求很高，尤其是对于非平直时空的数学（黎曼几何）。但就像李政道说过”数学书只有两种，一种是看了一页就看不下去的，另一种是看了第一句话就看不下去的“，物理学家尽管看起来都是nerds，但此nerds和数学家的那种nerds还是差了很多数量级的。黎曼几何那种高深的东东，在20世纪初对物理学家来说还是很新鲜的玩意儿，所以老爱的理论诞生之后有一段时间里，物理界的老少爷们儿们，大多数都是除了膜拜之外不知道该咋办。就像爱丁顿接受采访的那个经典段子：记者说”听说您是世界上三个真正懂得相对论的人之一“，爱丁顿老爷回答”我得仔细想想第三个人是谁“。
理解相对论就得搞定黎曼几何，弄不懂相对论主要是因为黎曼几何没学好。从本人在相对论的学习经历来说，这个结论是对的，对于黎曼几何的理解，的确有助于学好相对论。但过于执着于数学，又似乎有些脱离了物理学的本质。
应该说，在那些最初的年代里，无数理论物理大牛，在如何使得”相对论更加物理，更加容易被物理界的新人们理解”方面，做出了巨大的贡献。而这些精华最终汇集到了一本1000多页的相对论圣经级别的教材–《gravitation》（中文翻译成“引力论”）。这本书的三位作者，就是前面说到的Wheeler、和Interstellar有着千丝万缕联系的KipThorne、以及Wheeler的另一个学生Misner。理论物理界喜欢用三位作者的lastname来称呼这本书，即Misner-Thorne-Wheeler，或者简称为MTW。
MTW中尽管汇集了前人很多的智慧，因此不能说其中所有内容全部都是三位作者的贡献，但其在相对论界的地位，是绝对的No.1教材，其最大的贡献，在于把物理和数学做了近乎完美的结合。我想，看完Interstellar的人，应该都会对其中那段”三维空间中的虫洞是个球体”深入浅出的解释印象深刻。现在让我们想象一下，在几十年前，当所有人都不知道该怎么样让学生对相对论入门的时候，突然出现了一本1000多页的教材，其中覆盖了从基础到前沿几乎所有相对论有关的分支，且其中几乎对每个难懂的物理现象、公式都进行了类似前面“虫洞”那样深入浅出的解释。这个影响有多大，不用说了吧？
顺便说一句，由于MTW实在是太厚，因此后来Thorne的一名PhD学生，德国马克思普朗克研究所的所长BernardF. Schutz又出了一本轻薄版的《Afirst course in general relativity》，堪称本科生学广义相对论的不二之选。而为了解决相对论学习过程中，做题的问题，Thorne的另外两个学生Lightman和Press又出了相对论学习最好的一本题集。可以说，基本上相对论这个圈子里的人，绝大多数都是一路读着Schutz,MTW，做着Lightman-Press的题目成长起来的。
任何物理问题都要用“普通人能读懂的语言解释清楚”，为什么Wheeler系在相对论和理论物理界如此举足轻重，我想和Wheeler及其这一系中的各位牛人延续下来的特点是分不开（记得电影margincalls里面，投行老大说“speakto me as if I am a child, or a golden retriver”，其实也是一样的道理）。 顺便说一句，在美国搞物理的那些年里，实实在在感受到，美国的优秀学者们很多都是非常好的演讲家。换句话说，就是能把“最复杂的内容用最平实易懂的语言表述出来”。举个例子，读博第一学期，学高等数学物理，有一节课一开始，俺们系那位大牛老师就说“让我花10分钟，给你们讲清楚量子电动力学”，十分钟之后，大家都明白了。而这一点上，后来俺去德国做博士后，以及回国以后，就深刻感受到美国这个理念的特殊性。无论是在德国，还是国内，似乎越牛的学者，越是”说话如天书，听不懂是你自己笨”为准则。这个不知道是个啥原因。
扯远了，还是那句话，大道至简，Wheeler系在相对论方面，把这一点发挥到了极致。为什么Wheeler一系出现了那么多牛人，我想与之是有很大关系的。
2.3 Wheeler、Thorne与“黑洞”、“虫洞”及时空旅行Interstellar里出现了很多天体的名称，其中听上去Bigger比较高的两个，一个是黑洞（Black Hole）、一个是虫洞(Worm Hole)。Wheeler是最早在物理界公开使用黑洞这个名词的人，他也是最早创造出“虫洞”这个名词，指出虫洞可以被用来进行时空旅行的人。而Thorne的研究中，则有很多内容都与此有关。
其实在牛顿理论和相对论里，都存在这样一个问题，当一个天体的质量太大的时候，引力会导致自身有收缩的趋势，如果没有足够的其他力量相抵消，这个物体向内的塌缩就不可避免。举个例子：我们的太阳。太阳巨大的能源来自于核聚变反应，换句话说，我们可以认为太阳是一个巨大的氢弹。由于这种聚变带来的力量，使得太阳现在还不会塌缩（氢弹爆炸的时候，会把各种物质从内向外炸飞，这种力量是抵消太阳向内的引力的本源），但当最终其燃料用尽的时候，就有可能发生塌缩。如果质量像太阳这么大的恒星，其塌缩到一定程度，会因为电子、或是中子的简并力而最终变成白矮星或者中子星。而如果一个恒星的质量超过一个叫“钱德拉塞卡极限”的数值，其塌缩就没有力量能够抵消，最终这颗恒星就会收缩为一个点，这个点的质量很大，但体积是0，于是质量密度无穷大，是一个奇点。而离这个点距离比较近的地方（电影中所说的视界面,event horizon以内）的地方，由于引力太强，连光也无法逃逸。这是“黑洞”这一名词的通常理解。（顺便说一句，像太阳那么大质量的一个恒星，塌缩后的视界面半径大概是3公里，这质量和半径两者是线性关系，所以像interstellar里面那个Gargantua那么大视界面积的黑洞，大家可以想象有多大了吧）
“黑洞”这个词的创始（推广）人是Wheeler。据说是这样的，1967年老先生在纽约开一个学术会，正讲到引力塌缩的问题，不知道台下是哪个路人甲喊了一句“就叫这玩意儿黑洞吧”。老先生很兴奋，于是这个名词就这么诞生了。
如果去读MTW的话，里面有很长的一段解释，为什么黑洞这个名词是很贴切的。首先，黑洞为什么是黑的？因为光跑不出来。其次，为什么我们称之为“洞“，物理的解释是，如果有一个宇航员掉进视界面的话，他看着自己的手表，然后等啊等啊，会发现永远也无法掉到中间的那个奇点上（撞上任何物质），也就是说，对宇航员来说，这的确就是个掉进无底洞的感觉。怎么样，这个名词贴切吧？
实际上的情况呢？反正问问法国人就知道了。“黑洞”一词在法语的俚语里面，是非常猥琐的一个词（对的，不要怀疑，就是你想的那个意思）。甚至于当第一次物理界有人给杂志投稿用到这个词的时候，那位法国的主编喊道“除非我死掉了，否则绝对不会让这么猥琐的词汇出现在我的杂志上”。最后的结果呢？“黑洞”这个词在物理界的这帮宅男们中间迅速传播，最终那位主编未能挡住”历史的洪流”。几年后，Wheeler老先生又创造了一个词–“黑洞无毛”！！！个人的经验来说，认识的法国人研究天体物理、相对论的不算太少，研究引力波的也有很多，但专注于研究黑洞的，好像还真不多。
虫洞这个词的创造者也是Wheeler，实际上“虫洞“（1957）这个词的出现比“黑洞”（1967）要早。1921年，Weyl在一篇论文里，就提出了虫洞的概念。从当前的理论来说，由于虫洞的稳定存在（即允许一个物体来回通过），需要在其周围有一圈稳定的负能量（而是密度为负值的能量）。所以在经典的框架下，是不存在这样的虫洞的。但由于在量子场论的框架下，真空并非真空，而是不断的有正负粒子对创生和湮灭，因此也可能在某个点上存在巨大的负能量，所以包括Thorne，霍金等人，都认为在这一框架下，是可能存在允许来回穿梭、且稳定存在的虫洞的。KipThorne的很多研究都与此有关，俺以前读博时候的一个officemate也是做这一块研究的。不过，这玩意儿一直没被找到（如果虫洞需要负能量，是否意味着这玩意儿没被找到的原因，是因为不利于“和谐社会”？:p），以至于在他60岁生日时候，还被人开玩笑“你都六十啦，看样子时间旅行也没戏了，咋办捏？”。
2.4 五维时空、膜（Brane）理论、与Interstellar中幽灵的通讯方式应该说，Interstellar里面，幽灵（就是主角）和女儿通讯的方式，应该是整个电影中最炫的一部分。实际上，这其中也隐含了很前沿的理论物理学思想。的确符合kip当年所说“一部有关时空旅行、平行宇宙、不违反物理定律的电影”。先来看一副剧照：
那个关键词是啥呢？Brane！ Brane(膜)是个很火的词。本质上来说，搞弦论的里面，有一套Brane相关的理论，其中比较有名的，是MIT和哈佛双教授美女Lisa Randall和马里兰大学的Raman Sundrum共同创造的那个Randall-Sundrum模型。（顺便说一句，当年Randall找Sundrum一起做这个理论的时候，Sundrum正因为做博士后太久，失去信心，决定去华尔街，结果没想到一鸣惊人，于是华尔街少了一名牛人，马里兰大学多了一名正教授）
简单的来说，Randall-Sundrum试图解决这样一个问题：为什么引力会比其他力弱那么多？举个例子，当我们用吸铁石从地上吸起一个铁钉的时候，一方面，是吸铁石的磁力（电磁力）向上吸引铁钉，另一方面则是整个地球在向下（通过引力）吸引铁钉，结果呢？吸铁石赢了。小小的一块吸铁石产生的磁力，就打败了整个地球那么大的对手，这是一个非常不可思议的现象。在理论物理界，这被称之为“hierarchy problem”（咋翻译呢？等级制度问题？数量级问题？汗）。
Randall-Sundrum模型是这样解释这个问题的，其认为，我们所处的四维时空（3维空间+1维时间），实际上就像是五维时空里面的一层膜（Brane），而同时，实际上还存在着其他类似的Brane。如果我们认为一层膜就是一个宇宙，则也可以用来说是平行宇宙的一个理论。像电磁力这样的相互作用，只能在同一层膜上面传播（换句话说，只能存在于四维时空中），而引力，则可以在不同的膜之间传播（即引力可以在五维时空中传播）。
如果我们相信Randall-Sundrum模型是正确的，则就可以解释为什么引力会比其他相互作用（如电磁力）弱那么多。举个例子，一页纸的表面是一个2维平面，我们用一小管墨水，如果要涂满10X10厘米的一页纸很容易，但如果要涂满这样一叠10厘米厚的纸，可能就会不够用，因为这样一叠纸都要涂满，就多了一维（厚度），变成了一个三维的物体。如果非要涂满，且墨水不够的话，就得兑水稀释，于是单位面积上的颜色就浅了。简单来说，按照膜理论，引力扩散的范围是五维时空，比四维时空中的相互作用扩散范围大，所以导致其更弱。
回到电影中，只有引力可以在膜之间传播的特性，也就是为什么幽灵（男主角）只能通过引力来与女儿交流，而喊话则女儿听不见。因为只有引力能够穿梭于他所处的brane和女儿所处的brane之间，喊话（声音传播）本质上是基于电磁相互作用，被限制在他自己的Brane里了。
2.5 引力、引力波、与手表的指针。好了，上面说到了引力可以在Brane之间传播，这解释了幽灵（男主角）和女儿之间的交流途径，也可以解释沙子奇怪的掉落方式，书掉到地上（把垂直向下的引力场，变成水平的引力场就行了）等等，但是为什么他女儿手表的指针会走出那样奇怪的节奏？ 其实这个也不奇怪，有两种可能的解释：1）引力场导致时钟的变化，这个的逻辑，跟那个Miller星球上时钟变慢一个逻辑；2）引力波导致物体的运动，简而言之，当引力波穿越一个物体时，会导致物体出现横向的摆动。 理论上说，这两种解释都有道理，不过考虑到：1）Kip Thorne对引力波研究做出的巨大贡献（现在就等着引力波探测器LIGO探测到引力波，然后极有可能拿诺贝尔奖）；2）如果是时钟变化的话不可避免的导致戴着表的主角女儿受到影响。3）如果是时钟变化的话，按说不应该会看到时间往回走。综上来说，偶还是比较倾向于引力波的这一种解释。
2.6.其他的一些杂项
Miller行星为啥会有那么大的浪？ 潮汐。就像月球绕着地球转，导致了地球上有潮汐，Miller由于离黑洞太近，所以在自转过程中带来了巨大的潮汐。应该不是公转导致的潮汐，否则潮汐就是一个鼓包，不会相对于Miller行星的表面移动。不过，自转说也有一个漏洞，就是如果是自转导致的潮汐，则应该是每一昼夜出现一次，显然当时电影里我们没看到天黑。电影嘛，黑布隆冬怎么拍，而且还得解释为啥一个小时转一圈。。。
为啥Miller星球离黑洞那么近都没掉进去？ 这个也简单，就像月球为啥离地球那么近也没掉进去是一个道理，毕竟没有穿过视界面。按说这里面值得好好算算Miller离视界面到底有多近。另外也可以算算，由于引力波辐射导致的轨道衰减，多久之后Miller星球的轨道就会缩小到掉进视界面里面等等。不搞物理太久了，有兴趣的看官可以查一查相关的推导，应该是不难的。
弦理论与10维空间 片子里面最显眼的一个公式，应该是主角女儿推导出终极理论时写的那个公式，那时一个清晰的镜头给出，那是一个十维时空中的积分（积分里面有个d^10x）。OK，弦论。Btw,电影里黑板上的公式有很多都是KipThorne及其学生亲自写的，反正偶看到的都是靠谱的公式。其实想想也是，有一物理大牛坐阵，要往黑板上写乱七八糟的公式，好像更麻烦。
Mann星球上的那个机器人 OK，这个机器人的名字是KIPP，而不是Kip，不过俺宁愿相信是和Kip有关。 | |
|
(5个打分， 平均：5.00 / 5) |
机器学习应用–深度学习“看风水”？
作者 AbelJiang | 2014-12-01 13:53 | 类型 Deep Learning, 机器学习 | Comments Off
|
人类有种很奇妙的能力，通过建筑周边的景象，能大致推断某个地方是否安全，哪里可能有停车的地方，哪里可能有加油站。 这种决策不仅仅要求你看到某个景象，还需要一系列复杂的对于景象的理解和实时判断。那么问题来了–计算机能干这活么？如果能，计算机“看风水”有没有人看的准呢？ MIT的CSAIL给出的答案是yes and sometimes。研究人员提出的算法能够观察一组图片并给出比人更为准确的判断。这些判断包括诸如某个地方犯罪率是不是高一些，某个地方是不是离麦当劳近一些此类的问题。 为了开发这个算法，研究团队用了来自八个美国主要城市的，嵌入GPS数据（包括犯罪率和麦当劳位置）的八百多张Google images来训练计算机。计算机利用深度学习技术自主整合图片包含的各种信息，包括你经常注意到的麦当劳周围的景物以及你不经常发现的一些景物信息。 研究人员已经将论文发表在了今年的CVPR会议上。研究者称，这项研究用途很广，比如将其用于导航软件规避高犯罪区域，或是帮助麦当劳确定其开设连锁店位置。 Reference: Paper请戳图 | |
|
(2个打分， 平均：3.00 / 5) |
