lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
หน้าแรก
AI
OPRR
ด่วน
ความลึก
กิจกรรม
BlockBeats Pro
เพิ่มเติม
การเงิน
พิเศษ
ระบบนิเวศบล็อกเชน
รายการ
พอดแคสต์
ข้อมูล
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
Partnered With:

ผู้ชนะรางวัลฟิลด์สคนใหม่ หวัง หง เคยข้ามสายงานไปทำ AI ด้วยหรือ?

อ่านบทความนี้ใน 12 นาที
ทำไมนักคณิตศาสตร์ชั้นนำที่เชี่ยวชาญด้านคณิตศาสตร์บริสุทธิ์ถึงตีพิมพ์บทความในการประชุมระดับสูงด้าน AI?
หัวข้อต้นฉบับ: 《ผู้ชนะรางวัล Fields Medal หวังหง ก็เคยตีพิมพ์ใน NeurIPS》
แหล่งที่มาต้นฉบับ: Quantum Bit


เอ๊ะ? ผู้ชนะรางวัล Fields Medal คนใหม่ หวังหง ก็เคยข้ามสายงานมาทำ AI ด้วยเหรอ?



ใกล้ถึงวันประกาศผล NeurIPS 2026 แล้ว มีผู้ใช้เน็ตค้นพบว่า ศาสตราจารย์หวังหงเคยตีพิมพ์ผลงานใน NeurIPS 2019


และไม่ใช่แค่ชื่อร่วม แต่เป็นผู้เขียนร่วมคนแรกจริงๆ



แล้วคำถามคือ นักคณิตศาสตร์ระดับแนวหน้าทางคณิตศาสตร์บริสุทธิ์ ทำไมถึงตีพิมพ์บทความในงานประชุม AI ระดับสูง?


เมื่ออ่านทั้งหมดแล้ว ข้อสรุปของเราคือ นี่คือตัวอย่างที่ดีที่สุดของ ทฤษฎีคณิตศาสตร์ + Machine Learning


แต่ที่น่าสนใจคือ ในรายชื่อบทความและพรีปรินต์เกือบ 40 กว่าชิ้นที่อยู่ในหน้าเว็บส่วนตัวของหวังหง เกือบทุกชิ้นมีลิงก์ครบถ้วน


ยกเว้นชิ้นนี้ ที่เป็นข้อยกเว้น



หวังหงข้ามสายท้าทาย AI


บทความนี้ศึกษางานพื้นฐานใน Machine Learning และการวิเคราะห์ข้อมูล: การประมาณเมทริกซ์อันดับต่ำ


พูดง่ายๆ ข้อมูลในโลกจริงมักถูกจัดเป็นเมทริกซ์ แต่เมทริกซ์เหล่านี้มักมีขนาดใหญ่มาก การจัดเก็บและประมวลผลโดยตรงมีต้นทุนสูง


การประมาณอันดับต่ำคือการใช้เมทริกซ์ที่มีโครงสร้างง่ายกว่าและอันดับต่ำกว่า เพื่อสร้างเมทริกซ์ดั้งเดิมให้แม่นยำที่สุดเท่าที่เป็นไปได้


อัลกอริทึมการประมาณที่ใช้กันทั่วไปในปัจจุบันคือ การเลือกเซตย่อยของคอลัมน์ (Column Subset Selection, CSS)



แนวคิดของมันตรงไปตรงมามาก


เมื่อเผชิญกับเมทริกซ์ข้อมูลที่มีคอลัมน์จำนวนมาก แทนที่จะสร้างเมทริกซ์อันดับต่ำใหม่โดยตรง จะเลือกคอลัมน์ที่เป็นตัวแทนจำนวนหนึ่งจากเมทริกซ์ดั้งเดิม แล้วใช้สเปซที่คอลัมน์เหล่านี้สร้างขึ้นเพื่อประมาณเมทริกซ์ทั้งหมด


เนื่องจากคอลัมน์ที่ถูกเลือกโดย CSS มาจากข้อมูลดั้งเดิมโดยตรง จึงตีความได้ง่ายกว่าเวกเตอร์นามธรรมที่ได้จากการแยกเมทริกซ์ทั่วไป และยังช่วยลดต้นทุนการจัดเก็บและการคำนวณ เหมาะสำหรับการจัดการข้อมูลขนาดใหญ่


จากการศึกษาก่อนหน้านี้พบว่า สำหรับการประมาณค่าระดับต่ำโดยทั่วไป อัตราส่วนการประมาณของอัลกอริทึม CSS มีขอบเขตบนประมาณ O(k+1)


โดยที่ k หมายถึงอันดับของเมทริกซ์เป้าหมาย ยิ่ง k มีค่ามาก ค่าความคลาดเคลื่อนสูงสุดที่ยอมรับได้ในทางทฤษฎีก็จะยิ่งมากขึ้น



ผลงานของหวัง หง และคณะ คือการผลักดันขอบเขตนี้ให้ดียิ่งขึ้น:


· เมื่อ 1≤p≤2 อัตราส่วนการประมาณคือ (k+1)^(1/p);


· เมื่อ p≥2 อัตราส่วนการประมาณคือ (k+1)^(1−1/p)


เมื่อเทียบกับผลลัพธ์ O(k+1) ที่เป็นเอกภาพก่อนหน้านี้ ขอบเขตนี้ชัดเจนว่าแคบกว่า อัลกอริทึมสามารถถูกจำกัดอย่างเข้มงวด และผลลัพธ์ที่แย่ที่สุดก็จะแตกต่างจากคำตอบที่ดีที่สุดเพียงเล็กน้อยเท่านั้น


นอกจากนี้ สำหรับกรณี p≥2 เอกสารยังได้สร้างขอบเขตล่างที่สอดคล้องกัน เพื่อพิสูจน์ว่าผลลัพธ์มีความแม่นยำถึงค่าคงที่ 1


กล่าวอีกนัยหนึ่ง เอกสารนี้ให้คำตอบทางทฤษฎีที่เกือบจะสมบูรณ์แบบ


ส่วนที่สำคัญที่สุดและสะท้อนพื้นฐานทางคณิตศาสตร์ของหวัง หง ได้ดีที่สุด คือการใช้เครื่องมือคลาสสิกจากการวิเคราะห์ฮาร์มอนิก นั่นคือทฤษฎีบทการแทรกสอดของ Riesz–Thorin


โดยปกติแล้ว การพิสูจน์ว่าอัลกอริทึมชุดหนึ่งใช้ได้กับทุกค่า p จำเป็นต้องมีการวิเคราะห์ที่ซับซ้อนแยกกันสำหรับแต่ละ p


สำหรับกรณีปลายบางกรณี เช่น p=1, p=2 และ p=∞ จะจัดการได้ค่อนข้างง่าย


จากนั้น ทฤษฎีบทการแทรกสอดของ Riesz–Thorin สามารถใช้เพื่อ"แทรกสอด"ข้อสรุปไปยังค่า p ทั้งหมดที่อยู่ระหว่างกลาง หลังจากทราบผลลัพธ์ของกรณีปลายเหล่านี้แล้ว


โดยเฉพาะ เอกสารจะพิสูจน์กรณีพิเศษสามกรณีคือ p=1, 2, ∞ ก่อน จากนั้นจึงใช้ทฤษฎีการแทรกสอดเพื่อหาขอบเขตการประมาณในช่วงทั้งหมด


ในความเป็นจริง เครื่องมือชุดนี้เป็นวิธีการคลาสสิกในการวิเคราะห์ฮาร์มอนิกและทฤษฎีตัวดำเนินการ แต่ไม่ใช่เทคนิคที่นักวิจัยวิทยาการคอมพิวเตอร์เชิงทฤษฎีในขณะนั้นใช้บ่อยที่สุด


ผู้ตรวจสอบ NeurIPS ในปีนั้นก็สังเกตเห็นประเด็นนี้เช่นกัน


ผู้ตรวจสอบยอมรับในที่สุดว่านวัตกรรมทางเทคนิคหลักของเอกสารนี้คือการนำทฤษฎีบท Riesz–Thorin เข้ามาในสาขาวิทยาการคอมพิวเตอร์ และ Meta Review สุดท้ายได้ประเมินว่าเป็นเอกสารที่มีการโต้แย้งที่ค่อนข้างแข็งแกร่ง


เมื่อมองในวันนี้ บทความนี้ยังเป็นตัวอย่างที่ชัดเจนของกรณีศึกษาสหวิทยาการ ซึ่งปัญหาของการเรียนรู้ของเครื่องอาจพบจุดหักเหในคณิตศาสตร์บริสุทธิ์


ใกล้ถึงเวลาประกาศผล NeurIPS 2026


ย้อนกลับมาที่ปัจจุบัน กลไกการตรวจสอบบทความของ NeurIPS กำลังมีการปรับเปลี่ยนอย่างชัดเจน



NeurIPS 2026 กำหนดให้ผู้เขียนเลือกประเภทการมีส่วนร่วมหนึ่งในห้าประเภทที่ตรงกับบทความมากที่สุดเมื่อส่งผลงาน ได้แก่ General, Theory, Use-Inspired, Concept & Feasibility และ Negative Results


ไม่ต้องสงสัยเลยว่าบทความปี 2019 ของหวงหงอยู่ในประเภท Theory


ตามแนวทางการตรวจสอบล่าสุดของ NeurIPS 2026 บทความเชิงทฤษฎีจะพิจารณาความเข้มงวดทางคณิตศาสตร์และความถูกต้องเป็นอันดับแรก การพิสูจน์ บทแทรก และตรรกะโดยรวมต้องสมเหตุสมผล ดังนั้นบทความเชิงทฤษฎีจึงไม่ควรถูกละเลยเพียงเพราะขาดการทดลอง


ในขณะเดียวกัน NeurIPS 2026 ระบุชัดเจนว่าการมีส่วนร่วมเชิงทฤษฎีสามารถ ยืนหยัดได้ด้วยตัวเอง และการออกแบบอัลกอริทึมใหม่ไม่จำเป็นต้องเอาชนะโมเดลแอปพลิเคชันล่าสุดหรือ SOTA บนชุดข้อมูลขนาดใหญ่



ในด้านความคิดริเริ่ม ก็สามารถ นำเครื่องมือพิสูจน์จากสาขาวิชาอื่นมาใช้ หรือผสมผสานเครื่องมือที่มีอยู่อย่างสร้างสรรค์


และนี่คือคำอธิบายที่ตรงกับบทความของหวงหงเกือบทุกประการ


พวกเขาไม่ได้เสนอสถาปัตยกรรมโครงข่ายประสาทเทียมในความหมายปัจจุบัน หรือฝึกโมเดลที่มีพารามิเตอร์มหาศาล แต่กลับนำทฤษฎีบทการประมาณค่าใน Harmonic Analysis มาใช้กับการประมาณค่าระดับต่ำ เพื่อแก้ปัญหาขอบเขตของอัลกอริทึมการประมาณ


เมื่อวางในกรอบการประเมินปี 2026 มันยังคงเป็นบทความเชิงทฤษฎีมาตรฐานของ NeurIPS


มันยังชี้ให้เห็นในทางกลับกันว่า NeurIPS ไม่ใช่แค่งานเปิดตัวโมเดลโครงข่ายประสาทเทียม การให้ความเข้าใจใหม่ต่อวิธีการที่มีอยู่ การค้นพบคุณสมบัติใหม่ และการสร้างขอบเขตทางทฤษฎีที่แน่นขึ้น ล้วนเป็นการมีส่วนร่วมดั้งเดิมที่มีคุณค่า


ส่วนขอบเขตระหว่างคณิตศาสตร์และ AI ก็ไม่เคยชัดเจนอย่างที่คิด


ผู้ได้รับรางวัล Fields Medal สามารถตีพิมพ์ผลงานใน NeurIPS ได้ ภาษาคณิตศาสตร์ก็สามารถค้นหาคำตอบที่แท้จริงของ AI ได้เช่นกัน


ลิงก์อ้างอิง:
[1]https://proceedings.neurips.cc/paper_files/paper/2019/file/80a8155eb153025ea1d513d0b2c4b675-Paper.pdf
[2]https://neurips.cc/Conferences/2026/ReviewerGuidelines
[3]https://sites.google.com/view/hongwang/home
[4]http://xhslink.cn/o/8oQ3gm7qaxu


ลิงก์ต้นฉบับ


ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia

举报 แก้ไข/รายงาน
เลือกคลัง
เพิ่มคลัง
ยกเลิก
เสร็จสิ้น
เพิ่มคลัง
เห็นได้เฉพาะตัวเอง
สาธารณะ
บันทึก
แก้ไข/รายงาน
ส่ง