北大教授：超级计算机计算性能提升速度是"十年千倍"

第二个问题为什么不用SDE直接建模？我个人的背景是因为我对PDE更熟悉一点，所以我们倾向于用PDE建模。如果提问的同学或者老师你更熟悉SDE，你完全可以用SDE建模，这个是没有问题的，就看你个人背景，哪个领域你更熟悉，这是很开放的一个问题，机器学习你可以用各种各样的角度去理解它，八仙过海各显其能，你熟悉什么就用什么去解决它。

问题八：请问从事传统的数值计算方法研究目前还有用武之地吗？是否需要融入机器学习和人工智能？

李若：不管是做传统的科学计算数值方法之类的研究，还是做现在热门的机器学习方法的研究，但凡去做研究工作，那么我们发展的是这个方法的本身。当然我们要用业界的角度来讲，你去解决了一个问题，在业界你只需要做出来一个馒头，这个馒头就有它的价值。如果我们去发展方法，不管是哪个方面的方法，传统的数值计算也好，还是新兴的方向也好，你使得这个方法本身具有了新的能力，然后从中间获得了新的理解，它都是你所做工作的贡献，不用去说我所做的事情到底是不是有什么用。有用与否很大程度上是一种和现实世界结合起来的某种价值判断，做科研你还同时要追求人类知识发展永恒的价值，在这方面无论如何都会是有用的。

孙纬武：我听到这个问题以及前面也问到量子计算、类脑计算这些，我的感觉是, 也许问问题的同学或者老师想问的是，现在哪里是风口？哪一个方向是最容易飞起来的？我对这一点有一个建议，无论你是想要从事学术研究或者是从业界做出成绩，最关键的不是去找风口，最关键的是找出做什么事情、做什么方向、做什么研究是最能够让你兴奋的。你如果是看到传统数值计算能够让你兴奋，你就钻进去做，这样你成功的机会远比你找一个风口，想方设法飞起来，成功机会是大很多的。所以对于选什么方向, 最要紧是什么事情让你自己最兴奋, 最会废寝忘餐。

董彬：非常认同。有些时候会有学生问我做这个事情有什么意义，然后做出来了会怎么怎么样，也有人问我你为什么做这个，有什么意义。真的很难回答，一个包打天下的回答就是：做这个事儿好玩儿。不少重要的有影响力的工作，一开始就是纯好奇心驱动的。好奇心可能不是唯一的驱动力，但是是非常重要的一个驱动力。如果你想不清楚到底是不是要入坑机器学习、人工智能，你就想想自己喜欢干什么就行了。我们在北大看到有很多学生，可能一开始听说机器学习很火，尝试了一下，但是回过头来还是继续做科学计算，计算数学问题，我觉得这个很好，大家要根据自己兴趣来做自己感兴趣的东西，如果你只是因为它很火去做，很多时候不一定做得很好。

问题九：，请问国内在哪些人工智能方面比国外做得好？

董彬：我觉得至少人脸识别是一个，AI芯片，寒武纪至少是做的很领先的。

孙纬武：有一样肯定比人家做得好的，就是对于中文的识别、中文的文意理解，做的肯定比外国好，但是这个好也不能说明什么东西。

李若：我们都离应用好像比较远。

董彬：但是至少可以讲在科学计算+AI我们不比他们落后。

问题十：AI是用来建模的还是解方程的？是不是两个都有？看你做的反问题正问题，老师们可以谈一谈看法。

明平兵：可以用AI解方程。AI可不可用来建模呢，这个也是可以的，比如有很多数据，当然这些数据要比较可信，然后从数据里面从数据中学习某些规律、机制。这应该也是一个建模过程。所以应该说都可以。

李若：从我们概念上来讲，建模和解方程这两件事情似乎也没有那么大的区别。解方程也可以看成是建模，把一个微分方程模型最后变成代数模型，代数模型最后解出来，所有这个过程也可以看作是建模。

明平兵：我今天讲的这个题目里面，大家看到我经常用多尺度建模、多尺度计算、多尺度问题求解，这几个基本上是不分的，正如李若老师讲的一样没有什么区别，都是理解现实世界、理解某个问题的一种方式。

董彬：从反问题建模角度来讲，可以用AI做建模，比如观测到一个动力学过程，我知道这里面肯定有convection diffusion，也肯定还有一些别的东西不知道是什么，你可以用机器学习来把那些不知道不确定的部分拟出来，如果你运气好发现拟合部分具有某种新的较为普世的规律，那你就成功的通过AI方式发现了一个新的原理。当然，以这种方式去发现新的原理是大海捞针，但至少可以通过这种方式做模型约简。为什么又和解方程分不开呢？如果你建模了，怎么知道这个模型准不准，肯定要去求解它，去和你手上的真实数据进行比对。做建模的时候要不停地解反问题、正问题，交替迭代，非常像神经网络训练，要前传反传，前传看看匹不匹配数据，如果不匹配数据反传再调节你的参数，建模和解方程是一体的，这是我的理解。

问题十一，科学计算的超参数能否用AI算法解决？

（编辑：555手机网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!