挖栗子 发自 凹非寺
量子位 报道 | 公众号 QbitAI
有人把一篇来自1976年的论文刨了出来，仅一日的工夫已在推特上收获了400多赞。
论文的主人Geoffrey Hinton，许多年后成了神经网络之父，还获得了图灵奖。
如今，回看他的第一篇论文，颇有一番风味。
这篇论文探索的问题是，给你一堆互相重叠的长方形，怎样才能从里面找出一只“人偶 (Puppet) ”？
举个栗子如下，标了字母的就是人形的可能组成部分：
所以，为什么会想做这样画风清丽的任务啊？
松弛，松弛一下
首先了解一下问题。
就像开头展现的一样，人偶都是侧面的，并且有许多严格的规定：
每个部位都要有近端和远端，近端就是离头近的那一端。
躯干必须必四肢都粗，下肢要比上肢粗，头和躯干要比脖子粗。
头要比脖子面积大……
如果只考虑和一个方块相邻的那些方块：有些方块就可能被许多身体部位争着选，有些部位可能什么部位都选不上。
而松弛算法可以加深AI对空间的理解：从互相冲突的局部解释 (Local Interpretations) 中，找到最佳的全局图形 (Globally Best Figures) 。
论文还列举了这种方法的三大优点：
一是用并行计算的话，可以快速得出最佳全局解释。花费的时间，并不是随着局部可能性的数量指数增长的，因为并没有显式 (Explicitly) 处理各种可能的组合。
二是需要的计算空间，也只会随着可能性的数量线性增长，这样就不像广度优先的搜索那样暴力，会轻松许多。
三是这里能得出全局最佳，而不像启发式搜索 (Heuristic Search) 那样，只找出还算不错的结果。
那么，来看看松弛算法的表现如何。
没用松弛的时候，可以找出一堆可能性 (下图) 。
而且各种部位都给了太多选项：比如“上臂GHIJK”。
然后，加上松弛步骤：
就只剩下一种最佳可能性了。
F躯干，脖子D，上肢GE，下肢KI：
果然，看上去科学了许多。
40多年的胶囊
看了论文，网友纷纷想到了2017年Hinton提出的胶囊网络，这种新方法，也是用来解决神经网络不会自己判断空间信息的问题。
原来，胶囊一直都在啊。
1976论文传送门：
https://www.cs.toronto.edu/~hinton/absps/puppet.pdf
— 完 —
量子位 · QbitAI
վ'ᴗ' ի 追踪AI技术和产品新动态
戳右上角「+关注」获取最新资讯↗↗
如果喜欢，请分享or点赞吧~比心❤
