Mr./Ms. Days (MMDays) - 網路, 資訊, 觀察, 生活

Posted by Mr. Saturday
我們都看過一些統計數據，說台灣民眾之中，有超過七成或是八成認為媒體是台灣的亂源，這些人完全不相信媒體。
這些統計數據三不五時總是會被搬出來，久而久之，經過民眾的再三確認，媒體跟亂源畫上等號似乎是天經地義的事情，社會的共識，也好像是這樣子沒錯。好吧，我直接告訴各位，這些統計荒謬得可笑，錯得離譜。看到這邊，你可能會以為我居然要跳出來幫媒體說話。不是，我只是要跟你講，為什麼台灣人民痛恨媒體，但是媒體卻一天比一天猖狂。
熱門程度: 30%

熱門程度: 30%

Read Full Post »

Posted by Mr. Saturday
我相信很多人都跟我有一樣的感覺，這個世界被搞得太複雜了，以致於我們是被科技和無限量的資訊推著走，人們的時間隨著科技的進步居然是越來越少，越來越沒有辦法享受有品質的人生，我們每天 焦慮地吸收資訊，閱讀書報以及網路新聞，深怕自己成為資訊時代的局外人，可是到頭來卻發現：在我們自己真正把這些資訊組織起來之前，我們又得趕快去吸收剛剛湧進來的新聞和知識了，雖說書到用 時方恨少，書讀得多了，毫無疑問知識會有所增長，但是在這一個書永遠讀不完的時代，化繁為簡的功夫，卻是很多人忽略的地方。有的時候，簡化和過濾你手邊的資訊，會讓你更能掌握重點，也能讓這些資訊發揮更大的效益，不僅讀書如此，世界上其他許多領域也是有相同的概念。正好最近我又受到了幾本好書的啟發，因此寫下了這篇文章，除了簡單談談一些四處可見的化繁為簡的案例，也同時作為自己的一個反思。
熱門程度: 24%

熱門程度: 24%

Read Full Post »

Posted By Mr. Thursday
在本體論: 讓舉一反三變得可能裡面提到了機器在規則上面的學習，本體論 (ontology)是一件重要的事情，因為有了ontology，機器可以舉一反三，一件事情學習一次，可以以此類推到其他相同性質的事情上面，就如同我們第一堂數學課，學過了一顆蘋果加上一顆蘋果等於兩顆蘋果，考試的時候問一顆橘子加上一顆橘子等於幾顆橘子，我們知道是兩顆橘子，因為我們學到的是一個抽象後的規則： 1 + 1 = 2 ，不會因為蘋果換成橘子，就無法變通。
早期的人工智慧系統，是從邏輯出發，把外在的世界，轉換成一句一句的邏輯規則。或許我們會想問，為甚麼要用邏輯來表示外在世界呢？我們的大腦是用邏輯來處理事情嗎？首先，邏輯 (logic) 可以保證 sound and complete。甚麼又是 sound and complete呢？或許西方的法院裡面，證人作證之前，會先發誓說：I will tell the truth, the whole truth, nothing but the truth. (我會說實話，全部的真話，除了真話以外的都不說。) 因此 complete (完備) 就像是裡面所說的，「全部」的真話，不是部份的真話。sound (可靠) 就像是證人說的，「真話以外」都不說。因此我們如果使用邏輯內在表示法，來表示外在的真實世界，我們進行推理的時候，就不會推理出不會發生的事情。然而真實世界非常複雜，一滴雨滴從天上掉下來，中間溫度的變化，空氣摩擦力，地心引力，旁邊的雨滴，有許多的因素 (factor) 可以影響最後雨滴的位置。我們如果要用邏輯推理，前提的部分可能就要考慮所有可能的因素，才能保證我們用邏輯寫下來的規則，是真實的。
近代人工智慧系統，則是用機率表示法，加上統計對觀察資料的處理，來表示外在的世界。機率不會保證一個規則的sound and complete，但是會給這個規則一個機率值。如果機率值是0.7，代表說如果用了這個規則，100次裡面會有70次正確。或是說，如果有100次機會，70次用這個規則，會有最好的結果。再舉一個例子來說，今天我的手對著一把刀片揮下去，會被砍出一個傷口。我們就學一個規則：比手硬的東西，揮下去會受傷。但是一片硬的牆壁，手揮下去卻又沒有傷口，我們只好修改一下邏輯規則：比手硬，又尖尖的東西，揮下去會受傷。可是一堆沙堆出來一個刀片形狀，手揮下去，是沙堆破掉手沒有事情。因此對於邏輯系統來說，總是會一直出現「例外」，前提必須要不斷修改，才能保證整個規則的真實性。機率表示法來說，就是把例外當成可能發生的事情，「比手硬的東西，揮下去會受傷」的機率是0.8等等，剩下0.2的機率就是那些例外。不過機率也不全然是隨便給定，沒有真實的參考價值，也是要滿足一些基本條件，像是所有事件的機率加起來等於1等限制，因此可以證明如果照著算出來的機率值來行動，可以得到最好的期望值。
但是，除了邏輯和機率這兩種內在表示法，是否就沒有其他表示法，可以保證推理結果的真實性，又能夠處理真實世界複雜的各種因果關係，讓我們繼續活下去呢？或是說，怎樣子讓電腦計算機，可以像人類一樣，舉一反三，能夠化整為零，察覺到最細微的關鍵變化，又能夠「見樹又見林」，知道各個部分之間的關聯性，對整個全局 (big picture) 能夠有所了解呢？在這邊我想提出一個想法，就是「化整為零」。
熱門程度: 20%

熱門程度: 20%

Read Full Post »

Posted by Mr. Monday

這是一個快速進步的年代，無論在哪個領域上面，我們都在快速地奔馳著。我們發明了、發現了許多科技、物質、定律，這是一大突破，然而真正的挑戰總是在發明之後。我們如何將科技為我們所用? 我們如何能讓科技能夠符合我們的期望來使用? 這一直都是個問題，而且永遠會是個問題。
熱門程度: 25%

熱門程度: 25%

Read Full Post »

Posted By Mr. Thursday
子曰:「舉一隅不以三隅反，則不復也。」所謂舉一反三，就是可以靈活應用已經學過的規則，在新的情況上面。譬如說，第一堂數學課，可能會教到一顆蘋果加上一顆蘋果，等於兩顆蘋果，但是考試的時候問到，一顆橘子加上一顆橘子，等於幾顆橘子？這個時候我們不會因為蘋果變成橘子，就忘記後面一個抽象化的規則：1 + 1 = 2 。因此，舉一反三就是能夠把經驗歸納成一個規則來表示，但是這個規則是一條具有彈性的規則，可以在適當的情況下拿出來應用，即使現在面對的情況和過去遇到的經驗有些微不同，譬如說蘋果變成橘子，但是我們可以把經驗抽象萃取出來的規則，靈活運用在新的情況上面，因此一顆橘子加一顆橘子，就如同一顆蘋果加上一顆蘋果一樣，答案是兩顆橘子。
對於人類來說，舉一反三在某些領域，人類表現得不錯，然而電腦計算機來說，舉一反三仍舊是人工智慧的一個瓶頸，主要的問題，我想本體論的學習與維持，是其中一環。接下來我就分別就「規則」、「本體論」，分別介紹和討論，一起探討如果要讓計算機和人一樣，可以舉一反三，有哪些困難，又有哪些可能的解決方法？
熱門程度: 24%

熱門程度: 24%

Read Full Post »

由文章的標題便知道，這篇文章要說的東西，和Mr Monday 早前的「我理解的東西，永遠不是它真正的涵義」很有關係。如果有看Mr Monday的文章，便知道那個飛機師如何因為在自己定下的框架下思考而導致飛機失事，也知道以前醫學界為什麼不能想象在胃中可以有細菌存活。可是，為什麼這些框架帶給我們這麼多誤解，又造成思考上的失誤，但人們每天仍在自己定下的框架下思考？為什麼這麼多人明明知道這個世界有這麼多未知的東西，仍在用「已經學習到」的思維來解釋我們看到的事情？難道這真是人們的壞習慣？
我的看法是，這種為自己設下框架這種思考方法不是一個失誤。那是因為如果沒有那些框架的話，我們什麼都做不到。試想想，這個世界上的事物千變萬化，任何資料都可以有無限種判讀方式，如果不用自身的經驗和學習過的知識去把需思考的範圍收窄，我們根本不可能判讀任何資料。
熱門程度: 25%

熱門程度: 25%

Read Full Post »

Posted by Mr. Monday

(圖片來源: Savage Chickens)
最近在我 RSS 裡面的幾個 Blog 都說要停刊了，包括了 GSeeker、網談、WappBlog，這些 Blog 有個共同的特色，除了他們都是中國的博客以外，他們還都加盟了一個叫做 Creative Weblogging (往後簡稱 CW) 的 Blog Network。

所以，我們可以把這個事件看成是一個大規模的專業 Blog 死亡。死亡的共同原因是他們所加入的 CW 決定退出了中國區。在這個事件上面，我看到了對岸的許多知名博客有很多很不錯的評論，像是 David Yin 的 <Blog Network 的挫敗>、肚破驚天的 <Blog Network 的價值在於它的 TeamWork 性質>、一言談的 <說說 CW 中文區的解散>。對岸的這次事件，我想是對整個中華區的 Blog 狀況的反應，並不僅僅是在於中國區而已。因此，我想我們可以藉著這個事件了解一下狀況，從中學習。
熱門程度: 31%

熱門程度: 31%

Read Full Post »

Posted By Mr. Thursday
我們的大腦複雜無比，裡面的神經網路錯綜複雜，也因此讓我們能夠表現智慧的行為。現今一些人工智慧 (AI: Artificial Intelligence) 的問題，或許可以透過參考人腦的神經網路，來設計一個可以處理視覺、聽覺、文字等資訊的人工智慧系統。除此之外，如果還能夠像人類一樣，能夠自我調整、自我學習，儘量減少人類對系統直接的調整，是最好的了。然而人腦的神經網路，又是如何自我學習、自我調整呢？今天就先和各位分享神經網路調整的兩種方法：海扁學習和STDP，並且另外介紹神經網路同步化 (synchronized)和同多步 (polychrnous)的模型，進一步探討可能的神經網路模式，或許對人工智慧自我學習的方法上，也能提供一些參考！
Hebbian Learning
Donald O. Hebb (1904 - 1985) 是一位神經心理學家 (圖1 Donald O. Hebb)，他對神經網路最重要的一個貢獻，就是 Hebbian Learning ，在這邊我就暫且先翻譯成 海扁學習法。甚麼是海扁學習法呢？海扁學習是在學習甚麼東西呢？首先，讓我們先回憶一下，我們的大腦裡面，是由許許多多的神經元 (neuron) 所組成，神經元和神經元之間，有著連結，叫做神經鍵結 (synapse)。神經元和神經鍵結整個形成一個網路，可以讓神經訊號到處傳遞，就稱為一個神經網路 (neural network)。
我們外在的行為，就是因為神經網路接受了刺激，處理之後產生了反應。然而從刺激到反應之間訊號如何被處理、被轉換，讓我們的行為表現出有智慧的樣子呢？這就牽涉到神經元之間的連結了，因為某些神經元之間連結弱一點，某些神經元之間的連結強一點，我們就可以針對不同的刺激，產生不同的反應，進而表現出智慧的行為。如果我們再縮小範圍來看整個網路裡面的某兩個神經元，接著我們就要問，這兩個神經元之間的連結強度，要怎樣子變強變弱呢？Hebb就針對這個部分提出他的假設，後來也經由許多實驗資料證實，成為海扁學習法了。
熱門程度: 28%

熱門程度: 28%

Read Full Post »

暴紅的點子不一定是原創，可能是時機成熟了，可能是使用者觀念接受了，所以促成了網站的暴紅。在同一個產業裡出現許多生產相同產品的公司是很正常的事，有人投入通常表示市場上似乎有明確的需求。在短時間內，複製會被當作抄襲，但是把時間拉長來看，如果這個概念能夠存活，就會被稱作是一種趨勢。換另外一個角度來看，這對消費者來說也許也是一件好事，有競爭才會有進步，一個被獨占的市場對消費者來說絕對不是好事。

熱門程度: 26%

Read Full Post »

你和你的朋友在街上閒逛，突然，一個乞丐出現在你的面前，說「先生，好心有好報，為善最樂，福有攸歸，施比受更有福……(略)…..請你好心施捨一下……」你聽到這番話後，便你從袋中拿了數十塊錢給那個乞丐。
你的朋友說︰「你真是很有善心呢﹗」
你為此沾沾自喜一番，心想︰「經濟學家常說人們都是自私的，我一點都不贊同，看看我自己就知道了。」
真的是這樣嗎?
熱門程度: 31%

熱門程度: 31%

Read Full Post »