整数规划是一种重要的计算方法,用于解决调度、组合和优化问题。长期以来,其求解速度一直受到限制。最近,研究人员通过分析一种名为 Dadush 算法的新方法,证明了所有整数规划在理论上都可以比以前更快地解决。新方法的关键在于对覆盖半径的更好逼近,其将求解时间从 nn 缩短到 (log n)O(n)。尽管新方法还存在内存需求大、实现困难等问题,但其为解决整数规划提供了新的理论依据和方向。
2024年7月19日,网络安全公司CrowdStrike的一次软件更新错误导致全球数百万台Windows电脑瘫痪,医院、机场、股票交易所等关键基础设施受到严重影响。CrowdStrike承认更新代码存在缺陷,导致系统崩溃。专家指出,此次事件凸显了系统弹性和安全软件开发流程的重要性,呼吁企业采取更安全的软件发布策略,并为应对未来类似事件做好准备。
本文讨论了人工智能(AI)对计算机科学教育的影响。随着人工智能在各个行业中的应用,计算机科学教育需要做出改变,更加注重基础概念的教学,例如统计学和系统工作原理。新的专业领域将会出现,例如数据科学、机器学习和人工智能伦理。人工智能工具,如聊天机器人,可以作为编程学习的辅助工具,但学生仍然需要学习编程的基本原理。人工智能的普及也将创造新的工作岗位,例如提示工程师、机器学习工程师和人工智能测试员。
本文回顾了自由和开源软件(FOSS)运动的历史,将其起源追溯到20世纪80年代和90年代商业计算市场的失灵。作者认为,FOSS的兴起是对当时 Unix 供应商无法满足客户对价格合理、高质量的 Unix 系统的需求的回应。文章重点介绍了 SSLUG(世界上最大的 Linux 用户组)的兴衰,并将其作为 FOSS 运动如何失去动力的一个例子。作者认为,尽管 FOSS 取得了胜利,但它不再像过去那样是一场革命性的力量。
机器学习模型的可解释性对于建立信任和调试人工智能系统至关重要,尤其是在影响人类决策的领域。然而,文章指出,最流行的可解释人工智能方法,特别是基于Shapley值的SHAP分数,缺乏严谨性,可能提供误导性信息。文章通过分析决策树分类器和布尔函数,证明了SHAP分数可能无法准确反映特征对预测的实际影响,甚至可能将不重要的特征评为重要特征,从而误导决策者。
本文介绍了量子计算领域的一项重大进展:纽约大学的Oded Regev提出了一种新的量子算法,可以比传统算法更快地进行大数质因数分解,这项技术对破解广泛使用的公钥加密技术至关重要。Regev的新算法在高维空间中寻找周期性,并使用模块化乘法来提高效率。尽管新算法在渐进性能方面有所改进,但它需要更多的量子比特,并且需要重复执行才能获得准确结果。
文章深入探讨了古代印加文明的神秘计算工具——尤帕纳(Yupana)。尤帕纳是一种算盘,但其具体操作方式至今仍是未解之谜。文章介绍了关于尤帕纳的各种假设,以及现存的尤帕纳藏品,并提供了一些研究文献供读者进一步了解。
本文批判了深度学习领域中的一些常见幻想,包括人工智能将取代程序员、可解释人工智能取得进展、大型语言模型是通向通用人工智能的第一步以及大型语言模型理解语言。作者认为这些说法都缺乏理论依据,并指出深度神经网络存在无法解释、推理错误、复杂问题解决能力不足等根本性问题。作者呼吁关注符号知识和符号推理,以构建可靠、可解释、可预测和可推理的人工智能。
本文介绍了2023年ACM A.M. 图灵奖获得者Avi Wigderson的主要工作。Wigderson对计算复杂性理论做出了持久贡献,他的研究兴趣包括密码学、优化、随机性、伪随机性和电路复杂性等。他关于零知识证明的研究表明,任何具有证明的陈述都可以以不透露任何额外信息的方式向他人证明。此外,他还证明了在标准计算假设下,每个高效的随机算法都可以完全去随机化,这意味着随机性对于高效计算来说并非必要。近年来,Wigderson一直致力于非交换优化,将欧几里得空间中的凸优化工具扩展到更一般的黎曼流形环境。