第64章 死循环
暑假的校园褪去了人声，总是显得格外的安静。
梧桐叶子被晒得打卷，蝉鸣从早响到晚。
图书馆的老位置，肖宿手边摞著从书库借出来的专著，一本换一本，有时候半天翻完一本，有时候一页看上很久。
自从那天在会议室里，林正宏的技术总监拋出那个工业算法难题后，肖宿就一直在想一个问题。
高维非线性系统的全局最优解快速构造。
当时他临时拼凑出的那套“自適应李群离散化优化算法”，只是针对恆科智能的具体场景，勉强算是一次应急的缝合。
但那个场景，让他窥见了更底层的东西。
那天看到的那些数据曲线显示的是工业世界的缩影，高维、强耦合、强噪声、实时性要求极高。
现实世界的数据从来不是规规矩矩躺在二维表格里的，它们纠缠在一起，相互影响，相互干扰，像一团乱麻。
而现在的ai，面对这种乱麻，多数时候只能抓瞎。
真正的智能应该是什么样的？
肖宿在草稿纸上隨手画了一个圈，又在圈里画了无数个交错的线条。
你走进一个从未到过的房间，目光一扫，零点几秒內就能判断出哪个位置最安全、哪条路线最通畅。
这不是穷举，不是遍歷，是某种近乎直觉的能力。
从无数种可能性里，瞬间挑出那个最优的答案。
现在的ai离这种能力差得太远。
差在哪儿？就差在这个问题的解法上。
肖宿放下笔，靠在椅背上，望著窗外被晒得发白的天空。
这个问题要是能解开，那么高超音速飞行器的控制將会得到质的提升。
飞行器在大气层边缘以十几倍音速穿梭，表面温度瞬息万变，气流状態极度复杂，控制系统需要在毫秒级的时间內，从成千上万种可能的调节方案里找到那个最稳的。
可是现在的智能系统还做不到，所以只能靠预设程序加人工干预，反应慢半拍，危险就多十分。
而在新药研发上，效率也会得到极大提升。
要知道小分子与靶点蛋白的相互作用，本质上是高维空间里的能量最小化问题。
现在的算法算一个候选分子都要跑几周甚至几个月，筛一万个化合物简直得算到地老天荒。
如果能瞬间找到那个最稳定的构象，药物筛选的效率提升將是指数级的。
还有天气检测。
大气环流模型动輒上百万个变量，非线性耦合到令人髮指。
现在的超级计算机算三天后的颱风路径，还有几十公里的误差。
如果能快速找到系统演化的最优逼近路径，精准度能提到什么程度，没人敢想。
此外，还有那些更基础的领域，比如材料设计、金融风控、自动驾驶、量子化学方程求解……
肖宿的目光落在草稿纸上的那个圈上。
这个问题的解法，就是一把钥匙。
能打开的门太多了。
问题是，这把钥匙长什么样？
他这几天已经梳理了目前学界在这个方向上的主要进展。
这个领域很热闹，国內国外都有团队在啃。
最主流的思路是“代理模型”加“主动採样”。
就是用高斯过程或者神经网络擬合目標函数，构造一个容易计算的代理模型，然后在代理模型上找可能的最优点，再去原函数上验证。
贝叶斯优化就是这条路子的代表。
但问题是，高斯过程的计算复杂度隨数据量立方级增长，到了几十维以上就捉襟见肘。
神经网络的表达能力更强，但神经网络本身也是非线性的，用非线性去擬合非线性，等於用一个复杂问题去逼近另一个复杂问题。
另一种思路是“元启发式算法”。
也就是遗传算法、粒子群算法、差分进化，这些算法的共同点是模仿自然现象，让一群候选解在空间里“进化”或者“飞行”，靠隨机性和竞爭机制慢慢逼近最优。
这方法確实有用，而且很灵活，什么黑箱都能往里扔。
但是它太慢了，而且没有理论保证。
你永远不知道它找到的是不是真的最优，也不知道还要跑多久才能收敛。
还有一条路是用深度学习直接端到端求解。
把优化问题参数化，训练一个神经网络，输入问题描述，输出最优解。
这想法很诱人，但训练数据从哪儿来？要生成足够多的“问题—最优解”对，本身就得先解无数个优化问题。
这就陷入了死循环。
梧桐叶子被晒得打卷，蝉鸣从早响到晚。
图书馆的老位置，肖宿手边摞著从书库借出来的专著，一本换一本，有时候半天翻完一本，有时候一页看上很久。
自从那天在会议室里，林正宏的技术总监拋出那个工业算法难题后，肖宿就一直在想一个问题。
高维非线性系统的全局最优解快速构造。
当时他临时拼凑出的那套“自適应李群离散化优化算法”，只是针对恆科智能的具体场景，勉强算是一次应急的缝合。
但那个场景，让他窥见了更底层的东西。
那天看到的那些数据曲线显示的是工业世界的缩影，高维、强耦合、强噪声、实时性要求极高。
现实世界的数据从来不是规规矩矩躺在二维表格里的，它们纠缠在一起，相互影响，相互干扰，像一团乱麻。
而现在的ai，面对这种乱麻，多数时候只能抓瞎。
真正的智能应该是什么样的？
肖宿在草稿纸上隨手画了一个圈，又在圈里画了无数个交错的线条。
你走进一个从未到过的房间，目光一扫，零点几秒內就能判断出哪个位置最安全、哪条路线最通畅。
这不是穷举，不是遍歷，是某种近乎直觉的能力。
从无数种可能性里，瞬间挑出那个最优的答案。
现在的ai离这种能力差得太远。
差在哪儿？就差在这个问题的解法上。
肖宿放下笔，靠在椅背上，望著窗外被晒得发白的天空。
这个问题要是能解开，那么高超音速飞行器的控制將会得到质的提升。
飞行器在大气层边缘以十几倍音速穿梭，表面温度瞬息万变，气流状態极度复杂，控制系统需要在毫秒级的时间內，从成千上万种可能的调节方案里找到那个最稳的。
可是现在的智能系统还做不到，所以只能靠预设程序加人工干预，反应慢半拍，危险就多十分。
而在新药研发上，效率也会得到极大提升。
要知道小分子与靶点蛋白的相互作用，本质上是高维空间里的能量最小化问题。
现在的算法算一个候选分子都要跑几周甚至几个月，筛一万个化合物简直得算到地老天荒。
如果能瞬间找到那个最稳定的构象，药物筛选的效率提升將是指数级的。
还有天气检测。
大气环流模型动輒上百万个变量，非线性耦合到令人髮指。
现在的超级计算机算三天后的颱风路径，还有几十公里的误差。
如果能快速找到系统演化的最优逼近路径，精准度能提到什么程度，没人敢想。
此外，还有那些更基础的领域，比如材料设计、金融风控、自动驾驶、量子化学方程求解……
肖宿的目光落在草稿纸上的那个圈上。
这个问题的解法，就是一把钥匙。
能打开的门太多了。
问题是，这把钥匙长什么样？
他这几天已经梳理了目前学界在这个方向上的主要进展。
这个领域很热闹，国內国外都有团队在啃。
最主流的思路是“代理模型”加“主动採样”。
就是用高斯过程或者神经网络擬合目標函数，构造一个容易计算的代理模型，然后在代理模型上找可能的最优点，再去原函数上验证。
贝叶斯优化就是这条路子的代表。
但问题是，高斯过程的计算复杂度隨数据量立方级增长，到了几十维以上就捉襟见肘。
神经网络的表达能力更强，但神经网络本身也是非线性的，用非线性去擬合非线性，等於用一个复杂问题去逼近另一个复杂问题。
另一种思路是“元启发式算法”。
也就是遗传算法、粒子群算法、差分进化，这些算法的共同点是模仿自然现象，让一群候选解在空间里“进化”或者“飞行”，靠隨机性和竞爭机制慢慢逼近最优。
这方法確实有用，而且很灵活，什么黑箱都能往里扔。
但是它太慢了，而且没有理论保证。
你永远不知道它找到的是不是真的最优，也不知道还要跑多久才能收敛。
还有一条路是用深度学习直接端到端求解。
把优化问题参数化，训练一个神经网络，输入问题描述，输出最优解。
这想法很诱人，但训练数据从哪儿来？要生成足够多的“问题—最优解”对，本身就得先解无数个优化问题。
这就陷入了死循环。