Peter Norvig在Startup School 08
Peter Norvig at Startup School 08
频道:startupschool · 时长:25:58 · 发布:2009-01-30 · 播放:5587
简介
时任谷歌研究总监的Peter Norvig在2008年Startup School上谈论利用大量数据以及谷歌项目(如图像搜索)中的技术挑战。一个核心思想是数据可以胜过手写编程。
HN 为什么推荐
HN指出它是Norvig的“数据的非理性有效性”论点以及他对图像搜索和语义网观点的来源。
那个引用出自的startup school视频值得一看 — HN, 2014
中文字幕节选
谢谢 Jessica,谢谢你邀请我,哇,我居然能最后上场,我从来都没轮到过 最后,所以这意味着我要来做最后的总结,如你们所见,这是一个 建议的总结,某种程度上也是我给你们的建议的总结, 某种程度上也是我今天从其他演讲者那里听到的内容的总结, 那我们就来稍微过一遍,从技术圈来看,你们知道, 有 Joel 和 Paul 发表了看法,还有我在 NASA 的老上司 Dan Goldin,他是 敏捷方法的元老之一,说过更快、更好、更便宜,当然当他 犯错的时候,每次代价是五亿美元,所以,别,情况可能 更糟,然后,你知道,看看流行文化,你会看到一些 来自高雅和低俗文化中同类想法的重复,还有 Danny DeVito 对杠杆这个概念的看法,重要的是快速行动, 等等,但如果你要失败的话,不如用别人的钱来失败 好,所以我从所有这些中得出的结论是,配方是这样的:从小处开始,你们 所有人都在这么做,而 Y Combinator 是这个理念的创新者, 试图看看从小处开始能走多远,利用你拥有的,快速行动, 我认为这里最重要的部分是建立这种正反馈, 因为如果你朝着错误的方向快速前进,你走多快都 不重要,还有我最喜欢的,你知道,我今天听了很多关于 这些商业书籍,你应该读、应该买、应该享受,我不知道,我 对这些商业书籍没那么多耐心,我总是买了之后说,哇, 如果这是一篇五页的博客文章该多好,但因为 出版业的运作方式,你知道,它非得是一本300页的书, 我不得不一遍又一遍地读同样的东西,但是,唯一一个令人难忘的 算是商业建议的东西,我记得是来自 John C,来自 Monty Python,他有一小段,他把它呈现为一本儿童书, 是《制导导弹戈登》的儿童书,理念是戈登 出发上路,他会走错方向,但他有这个惯性 制导系统,他会稍微调整一下,然后他就会走上正确的 方向,然后他又会偏一点,再调整一点,最后 是个圆满结局,他在正确的目标上爆炸了,所以感谢 John C 为此,这就是你们所有创业公司必须做的,你们必须建立这些 流程,说,当然你得快速前进,但如果你没有得到反馈来 判断你是否在朝着正确的方向前进,你走多快都无所谓, 然后你迭代,所以这就是结论,我们现在都可以走上台 然后回家了,但我还要再说一点,就是我想给你们一个 另外的、狡猾的方法来做到这一点,来建立正反馈,那就是 通过获取大量数据,然后在其上运行机器学习, 运行这些算法,这里的关键是,无论你们作为 程序员多么敏捷,我知道你们都很棒,数据都会比 代码更敏捷,因为代码你得自己写,但数据你可以利用, 就像 Danny DeVito 说的,是别人的数据,他们为你生成,你只需要 使用它,所以那样就有一个巨大的倍增因子,当然还有 这些好用的已知学习算法,来给你那种正反馈,所以 让我给你们展示一些我们在 Google 能够做到的 例子,这里有一个例子,想法是利用额外类型的
HN 上的讨论
Peter Norvig 说得最好:“语义网是网络的未来,而且永远都会是。”(顺便说一句,这句话出自的那段 Startup School 视频值得一看:[VIDEO]) — brandonb, 2014-10
[LINK] -(Steve Blank / Eric Ries - 第 1 部分)[LINK] -(Steve Blank / Eric Ries - 第 2 部分)[LINK] -(Steve Blank / Eric Ries - 第 3 部分)[LINK] -(Steve Blank 在 Startup Lessons Learned 大会上)[LINK] -(Steve Blank:创业的民主化)[LINK] -(Alexander Osterwalder 在 Google 演讲)[LINK] -(Eric Ries 在 Google 演讲)[LINK] -(pg 在 Startup School '08)[VIDEO] -(Peter Norvig 在 Startup School '08) — mindcrime, 2011-07
编程泡沫将会破裂。自动化机器学习正在接管一切。即使在谷歌,Jeff Dean 最近也表示,他的 Perceptual AI 项目旨在减少他们机器学习项目中的特征工程。说白了,这意味着消除他们的搜索引擎以及其他以机器学习为重点的项目(如 Google Now 和 Google Goggles,是那个移动应用,不是 Google Glass)中对编程的需求。剩下的程序员将只负责管理云计算基础设施和做前端。随着 Siri 和 Google Now 这类东西的兴起,对前端程序员的需求也会减少。微软、苹果和亚马逊也越来越专注于机器学习。正如 IBM Watson 所展示的,文本的自动化分析将取代 SQL 数据库的角色。在制造业,随着 Rodney Brooks 团队的 Baxter 这类视觉引导机器人的兴起,编程的作用也在减弱。不过这一切都是好事,编程是缓慢的,而数据是敏捷的,正如 Peter N… — marshallp, 2012-10
Norvig 在 Startup School '08 的演讲对此有更详细的阐述:[VIDEO]。他们确实使用 SIFT(或至少是它的一个变体)来寻找和描述兴趣点,但 SIFT 本身并没有几何匹配。关于如何做几何匹配有各种相互竞争的方法,不过在很多时候,即使不做几何匹配也能得到非常好的结果。(做几何匹配非常慢,所以人们常常跳过这一步,或者只对最佳匹配应用它。)地标检测是计算机视觉中最近的一个“热门话题”,而且只要有足够大的数据集,它现在基本上在大多数情况下都能用了。 — apu, 2011-10
这条思路延续了同一主题之前的几篇文章。它非常有 Norvig 的风格([VIDEO]),但也有 [LINK],还有 Chris Anderson 和 Wired 的引战文 [LINK](那个月的 Wired 就是专门讲这个主题的)。而且正如之前讨论中有人说的,这是科学方法的基础,而不是它的终结。 — presty, 2009-03
相关视频
- Paul Graham 在 2008 年创业学校的演讲 · startupschool · 30:33
- 第一讲 | MIT 18.06 线性代数,2005 年春季 · MIT OpenCourseWare · 39:49
- David Fravor:UFO、外星人、战斗机与航空航天工程 | Lex Fridman 播客 #122 · Lex Fridman · 3:56:24
- 如何发明未来 II - 斯坦福 CS183F:创业学校 · Stanford Online · 56:29
- 如何发明未来 I - 斯坦福 CS183F:创业学校 · Stanford Online · 58:01
- David Hasselhoff - True Survivor(来自《功夫之怒》) · DavidHasselhoffVEVO · 4:04
- Douglas Lenat: Cyc 与解决 AI 常识推理的探索 | Lex Fridman 播客 #221 · Lex Fridman · 2:52:56
- 向量 | 第1章,线性代数的本质 · 3Blue1Brown · 9:51
- dotScale 2014 - Robert Kennedy - 在 healthcare.gov 的战壕中生活 · dotconferences · 27:20
- 神经网络和反向传播的详细入门:构建micrograd · Andrej Karpathy · 2:25:52
- 但什么是神经网络?| 深度学习第一章 · 3Blue1Brown · 18:40
- Jim Simons(完整版访谈)- Numberphile · Numberphile2 · 1:00:43
- 与 Jason Cohen 一起设计理想的 bootstrap 业务 · Rob Walling · 1:05:37
- Steve Jobs 2005 年斯坦福大学毕业演讲 · JoshuaG · 14:34
- AlphaGo - 电影 | 完整获奖纪录片 · Google DeepMind · 1:30:28
- Transformer,LLM 背后的技术 | 深度学习第 5 章 · 3Blue1Brown · 27:14