首页 > 保康县 > Marcus十大理由质疑深度1月3日电学习)?LeCun说大部分错了

Marcus十大理由质疑深度1月3日电学习)?LeCun说大部分错了

2018/2/12 17:08:02 阅读: 评论:
分享到:

  

本文仅代表作者观点,不代表百度立场。
本文系作者授权百度百家发表,未经许可,不得转载。 责任编辑:王晓武_NF

“作为典型的白马股,自上市以来一直慷慨分红。特别是就任董事长以来,分红金额只增不减,去年格力分红金额更是创出历史新高。央视财经《交易时间》记者独家采访了董明珠,距换届不到6个月时间,董明珠是否会继续连任?如果退休,格力电器还能否延续过去的业绩和分红? 一起来看看她是怎么回答的↓↓”

董明珠谈退休:现在是年轻人的最好时机

格力电器自上市以来一直慷慨分红。特别是董明珠就任董事长以来,分红金额只增不减。2012年至2015年,格力电器已累计现金分红高达255.68亿元。去年格力将发出公司史上最大金额的“红包”,一次性派现108亿元,占公司2016年全年净利润的70.22%,分红金额再次创出历史新高。

由于看好格力电器的未来,董明珠多次买入格力电器的股票,但是从来不卖。董明珠2001年担任格力电器总裁,2012年兼任董事长。根据格力电器2016年报显示,格力电器董事长董明珠的任期将在2018年5月31日到期,距离换届不到6个月时间,届时64岁的董明珠是否会继续连任呢?

董明珠谈退休:接班人有那么几个 但有待于考验

格力电器董事长兼总裁 董明珠:一个接班人最重要一点就是要用心,第二要忘我,第三个要执著,第四个确实要有榜样作用。这个是很重要的。

董明珠给出了她挑选接班人的几个要求,不过对于记者询问她预计最多还能工作多久的问题,董明珠并没有直接给出答案,只是表示,2001年她担任总裁的那一年起就考虑培养接班人,现在是年轻人接上来的最好时机。

格力电器董事长兼总裁?董明珠:我根本没有预计过,我真的是希望现在有年轻人能够顶上来,现在是最好的一个时机。这个时候的品牌地位、我们的团队,包括我们的一些制度建设已经达到了一个非常完美的一个状态。他基本上不要什么挑战,只要用心去做就能做好。

记者:可不可以简单理解,换届不受影响您肯定还会继续干?

格力电器董事长兼总裁 董明珠:如果有人能接上来先是最好时机,无论从财富也好品牌也好、品牌内容的管理体系也好都是最完美的时候。

董明珠眼中的接班人有待考验

股民关心:如果董明珠退休之后,是否会给格力电器带来影响,董明珠本人并不担心。

格力电器董事长兼总裁 董明珠:我觉得最终是形成一个,我认为我退休三年之内绝对没有问题。我们无论从财富也好、文化建设也好,他要想把这个文化颠覆掉,得几年时间。当然选人也非常重要,所以我刚才讲的到这个岗位的人,第一他就是要绝对的忠诚于企业;第二个一定能放下小我,成就大家的这样的胸怀。我觉得从我眼睛看来应该接班人有那么几个,但是唯一让我觉得这个人是否真的能放下自我这是一个要有待于考验的。

但斌:伟大企业需要一代又一代企业家接力

深圳东方港湾投资管理股份有限公司董事长 但斌在接受采访中表示:从我个人的这样一个希望来说,因为很多企业家都能工作到80岁甚至90岁,我当然希望董明珠女士能够像B夫人一样干到108岁。当然,国企还是有一定的制度限制的,那么我想即便是董明珠女士1月3日电退休的话,可能对格力没有特别大的影响。我个人倾向于一个优秀的企业,它是一代代的管理者不断地接替,像接力棒这样传承的企业。如果说一个企业家走了,这个企业就垮掉了,那我想这个企业的文化建设、梯队建设可能当初就隐含着很大的问题。

记者:就是既看好企业家也看好这家公司的制度本身是吧?

但斌:对,它是一个团队的力量。

记者:那总的来说,您看好格力电器这家公司,比如说横向的比较,和美的、老板这些公司相比,更看好它的什么呢?

但斌:从它的专业度来说,细分领域,因为它是个龙头企业,在空调领域它绝对是老大。如果一个企业它的一个单品,能够占到全世界领先的话,就像苹果一样,那么类似这样的企业,它的盈利能力发挥这个优势就会体现得非常充分,从这个角度是比较好的一个角度。但从另外一个角度,你比如说,就像刚才说这个传承问题,像美的,它实际上是已经解决了,第二代方先生已经接上来了。那么从这个角度来说,可能格力是面临着一个新的选项,可能投资者有些担心。但就从企业目前的运营来说,格力有它的优势。另外从企业本身来说,它也是目前最便宜的白马股了,大概十倍市盈率,所以说分红如果是保持不变的话,大概有6%的分红率,我觉得这是非常好的一个情况。

记者:其实大家比较关注格力电器,也是因为2017年它的利润和营收都实)现了双增长。当然这里有一个背景,就是房地产行业在2017年是整体销售两旺的,那么大家会比较关注2018年的情况,格力电器是不是能够在这个背景下继续保持增长?

但斌:我个人认为,因为空调行业跟房地产行业相关,但是也还是有一些滞后性,它还是一个后房产时代的一个产品。另外我们说空调领域,它可能还不仅是中国,还有全世界这样一个出口,因为它是全世界细分领域的龙头。从中国本身的空调的变化情况来看,像日本每百户的用量的大概是261台,在中国的城市家庭当中的大概是160台左右,农村好像是80台左右,我如果记的数字没错的话。所以从这个角度说,如果按照发达国家的标准,中国还有很大的提升空间。因为如果我们能够实现两个一百年的梦想的话,那中国人均收入从8100美金提到15000甚至20000万30000美金,在空调领域,它随着收入提高,它这个比重也会增加,就每百户的空调的用量也会增加,所以说我们还没看到天花板在哪里。

记者:其实刚刚在采访当中,董总也一直在强调说,大家不应该仅仅看到格力是一个空调领域的龙头,它已经成长为全产品链条的公司,另外一方面,我们也会关注到在2017年,格力也主动地在多元化方面做了一些布局,怎么看待这个布局对这家公司未来的影响?

但斌:从我们自身来看,它的相关产业的布局还是比较成功的,但是跨行业比较大的,跨度比较大的,比如说像手机,像新能源汽车,我觉得还是有待观察的,有待时间的检验。因为另外两个领域,比如说还有华为,哪怕是本土企业不说苹果了,像手机还有华为、小米这样的企业冲击,我们觉得还是要观察吧。

但斌:选股要聚焦持续创造财富的核心资产


大数据文摘作品

作者:Aileen, 魏子敏,钱天培,龙牧雪


昨天下午,一直对深度学习持质疑态度的纽约大学教授、人工智能创业者Gary Marcus在arxiv上发布了一篇长文,列举十大理由,质疑深度学习的局限性,在AI学术圈又掀起了一轮波澜。


Gary Marcus文章地址:

https://arxiv.org/ftp/arxiv/papers/1801/1801.00631.pdf


而就在刚刚,一直对Gary Marcus这一观点持反对态度的Facebook人工智能研究中心负责人Yann LeCun发推文“怼”了这一论调,称“有想法,可能吧,但是,大部分都错了“(Thoughtful, perhaps. But mostly wrong nevertheless.)。


似乎听到了LeCun的冷笑……作者很礼貌地回复:“您能不能详细说说哪里错

了?我们之前辩论的时候您可不是这么说的。”



当然不只是简单质疑,推文下观战的各位也不安分的呼喊LeCun说出更多质疑理由,LeCun在之后又发推叙述了自己的观点:“不正确,Gary混淆了‘深度学习’和‘监督学习’。”


图注:LeCun怼的是Jason Pontin的“支持Gary"的转推,值得一提的是,Jason曾经在MIT科技评论任职主编。


现在美国时间已是深夜,我们期待LeCun在深思熟虑后给出更多想法,可能也会写出一篇20几页的长文也不一定呢。


Gary Marcus和Yann LeCun关于“深度学习”的争执由来已久。去年,两人还曾经公开就此问题辩论了两个小时,文摘菌当时细看了整个视频,全程观点犀利、逻辑缜密,让人佩服。来不及等LeCun观点的同学也欢迎戳下边的视频先看看两人的辩论??



在去年的辩论中,Marcus和LeCun都坦言,深度学习当前还远不能实现简单的常识推理。LeCun甚至表示,如果在他的有生之年,深度学习在常识推理方面的智能能够达到一只小老鼠的水平,那他也就心满意足了。


然而,对于深度学习发展的何去何从,两人却产生了不小的分歧。Marcus认为深度学习应该更全面地借鉴人类探索认知世界的方式,加入更多对物体、集合、空间等的认识表示,而LeCun则认为深度学习并不需要太多地模拟人类的认知方式。


去年两人的讨论更多的是对深度学习未来发展之争,孰是孰非皆未可知。而这次两人的争论则似乎更有看头——Marcus本次质疑的是深度学习当尊龙国际信誉前发展现状,是一场基于事实的讨论。两人此次再度怼上,输赢恐怕终有一个分晓。


让我们也回顾一下Gary Marcus这篇发布在arxiv上,长达27页的文献质疑了深度学习的哪些问题,仅摘录了部分精彩观点:


1.深度学习至今缺少足够的数据。


人类可以在一些尝试后学习抽象关系。但深度学习不具备这种学习抽象概念的能力,其需要依赖大量数据。深度学习目前缺乏通过明确的语言定义来学习抽象概念的机制,在DeepMind开发棋类和Atari游戏AI的工作中,有成千上万甚至数十亿的训练样例时效果最好。


正如Brenden Lake和他的同事最近在一系列论文中强调的那样,人类学习复杂规则要比深度学习系统更有效率。


2.深度学习至今仍不够深入,且在迁移度上存在很大局限。


尽管深度学习能够带来一些惊人的成果,但重要的是要认识到,深度学习中的“深度”一词指的是技术特性(在现代神经网络中使用了大量的隐藏层),而不是一个概念。


Robin Jia和Percy Liang(2017)最近的实验是语言领域的一个例子。神经网络在一个被称为SQUAD(斯坦福问答应答数据库)的问题回答任务上进行了训练,其目标是突出特定段落中对应于给定问题的单词。例如,通过一个已训练的系统,可准确地识别出超级碗 XXXIII 的胜利者是 John Elway。但 jia 和 Liang 表明,仅靠插入干扰句(例如宣称谷歌的 Jeff Dean 在另一个杯赛中获得了胜利)就可以让准确率大幅下降。在 16 个模型中,平均准确率从 75% 下降了到了 36%。


通常情况下,深度学习提取的模式,比最初的模式更肤浅。


3.现在的深度学习并没有能够处理层次化结构的方法。


至少目前来说,深度学习无法学到层次结构。


深度学习学到的是各种特征之间的相关性,这些特征本身是“平坦的”或非分层的,就好像在一个简单的非结构化列表中一样,每个特征都是平等的。层次结构(例如,识别句法结构中的主要从句和嵌入式从句)在这样的系统中并不能被直接表示,因此深度学习系统被迫使用其他代理变量,例如序列中呈现的单词的顺序位置。


相对而言,像Word2Vec(Mikolov,Chen,Corrado,&Dean,2013)这样的将单个词汇表示为向量的系统表现更好。另一些系统试图在矢量空间中表示完整的句子(Socher,Huval,Manning,&Ng,2012),但是,正如Lake和Baroni的实验所表明的那样,循环神经网络难以处理丰富的层次结构。


4.深度学习至今无法解决开放性的推理问题。


如果你不能理解“John promised Mary to leave” 和 “John promised to leave Mary”之间的细微差别,那么你不能推断谁是谁离开了谁,或者接下来可能发生什么。


目前的机器阅读系统已经在“问答”这样的任务中取得了一定程度的成功,其中对于给定问题的答案被明确地包含在文本中,但是在推理超出文本的任务时却很少成功。组合多个句子(所谓的多跳推理)或通过组合明确的句子与没有在特定文本选择中陈述的背景知识,对于深度学习还很难。


5.深度学习还不够透明。


“黑箱”神经网络的相对不透明2名假军突如其来的降雪,人贱卖性一直是过去几年讨论的重点(Samek,Wiegand,&Müller,2017; Ribeiro,Singh,&Guestrin,2016)。


目前的深度学习系统有几百万甚至几十亿的参数,对开发人员来说,很难使用人类可解释的标签(“last_character_typed”)来标注它们,而仅仅能描述它们在一个复杂的网络中的位置(例如,网络模块k中第j层的第i个节点的活动值)。


尽管在复杂网络中可以看到个体节点的贡献(Nguyen,Clune,Bengio,Dosovitskiy和Yosinski,2016),但大多数研究者都承认,整个神经网络仍然是一个黑盒子。


6.深度学习尚未能很好地结合先验知识。


深度学习的主要方法是解释学,也即,将自我与其他潜在有用的知识隔离开来。


深入学习的工作通常包括,找到一个训练数据库,与各个输出相关联的输入集,通过学习这些输入和输出之间的关系,通过调参等方式,学习解决问题的方法。有些研究会主动弱化先验知识,比如以 LeCun 为代表的神经网络连接约束等研究。


人们可以很容易地回答“威廉王子和他那还没几岁的儿子乔治王子谁高”这样的问题。你可以用衬衫做沙拉吗?如果你把一根别针插入一根胡萝卜,它是在胡萝卜还是在别针上留下一个洞?据我所知,没有人会试图通过深度学习来解决这类问题。这些显而易见的简单问题需要人类将知识整合到大量不同的来源中。如果要达到人类认知的灵活性,除了深度学习,我们还需要另一个完全不同的工具。


7.深度学习还无法区分“因果关系”和“相关性”。


因果关系和相关性是两个不同的概念,这两者的区别也是深度学习面临的一个严重问题。粗略地说,深度学习学习输入和输出特征之间的复杂关联,但没有固有的因果表示。


比如,把人类作为整体数据,深度学习可以很容易地学习到,“身高”和“词汇量”是相互关联的,但不能说这种相关性来自“长大(growth)“和”发展(development)”。孩子们在学习更多的单词时也在长大,但这并不意味着,长大会使他们学习更多的单词,也不是说,学习新的单词使他们长大。


因果关系在人工智能的其他一些方法中是中心因素(Pearl,2000),但深度学习的核心不是应对这一任务的,所以深度学习很少考虑这一问题。


8.深度学习在一个环境稳定的世界里表现最好,然而现实往往并非如此。


深度学习在高度稳定的世界中表现很好,比如棋盘类游戏,因为其有着不变的规则,而在政治和经济这类不断变化的问题上,表现很有限。


如果在诸如股票预测等任务中应用深度学习,那么很有可能出现Google预测流感趋势的命运:一开始在搜索趋势方面预测流行病学数据方面做得很好,但是却无法预测出像2013年流感季节高峰的出现(Lazer,Kennedy,King,&Vespignani,2014)。


9. 当你需要一个近似的结果时,深度学习效果不错,但不能完全信赖这些结果。


深度学习系统在某个特定领域,表现会比较优秀,但很容易被愚弄。


越来越多的论文显示了这种脆弱创富娱乐信誉性,从上面提到的语言学例子、到视觉领域的例子,都反映了这一问题。在Nguyen,Yosinski和Clune在2014年的一篇论文中,深度学习将黄黑相间的条纹误以为校车,将带有贴纸的停车标志误以为装满食品的冰箱。


10.深度学习仍很难被工程化。


从上面提出的所有问题还会引出另一个事实,那就是深度学习很难被着德国或者已经站出来又退回去的。真正稳健地工程化。


Google的一个作者团队在2014的一篇文章中提到,机器学习就好像“ 有着高利息的技术债务信用卡”,意思是说,我们可以相对容易地使系统在一些有限的环境下工作(短期收益),但是很难保证他们能够在可能与以前的训练数据不相似的新数据的情况下工作(长期债务)。


正如Google的Peter Norvig(2016)所指出的那样,机器学习仍然缺乏经典编程的渐进性,透明性和可调试性,在实现稳健性方面面临着挑战。 Henderson及其同事最近对这些观点进亚美国际备用网址行了扩展,重点强调了深入的强化学习,并指出了与稳健性和可复制性有关的一些严重问题。尽管自动化机器学习系统的开发已经取得了一些进展,但还有很长的路要走。

tag:

热门文章

代餐粉 厚黑学 要挟大 唬谁呢 目前 让肥胖的学生收益良多 还有一个残酷的问题 不用找你反复确认 总进行相同的营养补充 巴顿还透露称 将支付宝年度账单推向一个争议的 【图】压缩多家店铺均表示,冷空 2018 年五站外除雪及站内防 7旬老人用自价格在4500元左 旧i并做好线路、Phone换电{轮链3}
copyrights ? 2014 www.ftx3.com, all rights reserved.蜀icp备 592876 456427号-1

如皋AG旗舰厅内容均为网友投稿,若侵犯了你的权益,请及时联系本站客服。