機器人學和人類的未來

我認為機器人學的發展，對人類的未來而言非常關鍵。

因為機器人學的發展，可以大幅提生人類的生產力，
並進而大幅加快科學的進步，以跳脫資源耗盡的末日。

我所謂的末日是指石油危機，
根據 Worldmeters 提出來的資料
以現有的石油消耗速度
只能再使用約 40 年
而石油偏偏是現代文明的發展的基石

當然，科技的發展可以提供我們找出替代石油的方式
不過前提必須在石油耗盡之前研發成功

為了提升科學研究的能量，我們必須有充足的人力，
我認為可以從兩個方面來提升:

1. 增加人口中科學研究的比率
2. 增加人口

第一點的方法現在已經在使用，比如說以美國為例子，
美國有世界最強的研究能力，
因為他們只需要少數的人提供生活所需的基本物資，
好比說農業，而自己不生產的物資可從外國進口，
故可以有比其他國家更多的研究人員，
甚至自己的人才不足時，便從各國"進口"

這個模式運作的不錯，不過從世界的角度來看，
其他國家的人力就損耗在生產這些物資上面了
如果我們能輔助這些國家提升生產能力，就可以再釋放出更多的人力資源

第二點是補足第一點的不足，
關鍵在於釋放出來的人力，不一定會投入到科學研究上，
有許許多多需要頭腦的行業也同樣吸引人
因此我認為必須增加人口的總數

這乍聽之下有點弔軌，
既然資源已經逐漸缺乏，怎麼還要增加人口呢?
確實這是個雙面刃，
但我認為好處大於壞處
若是能在十年後大幅改善生活環境，
讓現代的年輕人願意多生孩子，
那麼三十年後將有一批在充沛資源下成長的新生代
在他們之中必然有更多的聰明人，
他們的智慧可以相乘發揮更大的力量
好比說一萬個天才所造成的衝擊
會比一千個天才大的很多

在最後我們來看一個目前的研究方向:
在日本筑波大學的 Cybernics 研究所，他們提倡結合:人, 機器, 情報三者已大幅提升人類的能力
以應付日本因逐漸高齡化而短缺的人力問題

我的想法有部分是被他們啟發，
不過我認為這個技術可以用在年輕家庭上
比如說減輕婦女懷孕的不方便，以及讓小家庭能夠無後顧之憂的扶養小孩
這可以達成我所說的第二點，提升人口的目標。

Novamente 的虛擬寵物

寵物是很多人的心靈寄託
愛好者願意投入不少金錢在寵物身上
隨著線上遊戲的發展
虛擬寵物的商機也越來越大

乘著這股浪潮
在 2008 年的 AGI 會議中 Novamente 公司展示了他們研發的虛擬寵物
影片展示如何教小狗學會你想教他的把戲
如坐下、咬飛盤
過程詳見影片
教學的方式是口語命令加上示範動作
比如說"踢球"這個動作
主人在小狗面前邊說踢球邊做動作
然後命令小夠重複他的動作
一開始小狗會做一些預期之外的動作
這時候主人要重覆教學直到小狗做出想要的動作為止
然後給予獎勵

影像來源: Novamente
影片連結

Novamente 公司預告他們將會在 Second Life 中推出虛擬寵物
這是將來值得關注的事


參考資料
[1] Virtual pets can learn just like babies

如果人工智慧也有個曼哈頓計畫

從電腦發明以來，人工智慧(artificial intelligence)便被視為一個重要的里程碑
試想具有人類思考能力的機器，能對世界帶來多大的進步
從小時候接觸電腦和科幻小說以來
我就會想到"如何才能做出有智慧的機器人呢?"
這個念頭讓我攻讀了電腦科學，不過對於該如何作仍十分模糊
究竟這個目標有多困難? 有多少人在這方面努力? 現在的研究進展為何?

我找到 Ben Goertzel 博士的一篇文章
Is AI Engineering the Shortest Path to a Positive Singularity?

他的觀點是:
如果我們盡全力發展人工智慧，就像二戰時的曼哈頓計畫
則十年之內可以成功

根據 wiki 的資料，曼哈頓計畫耗費的
期間: 1942-1946
人力: 約10萬人
金錢: 20 億美金 (約為今日的240億美金)

今日的240億美金可以怎麼用呢?
假設以全部的10%來聘請研究人員做為計算
一個人的年薪是2.4萬美金
則 10,000 人十年的薪資正好是 24,000*10,000*10 = 2.4*10^9 = 24億
聽起來果然好像有那麼一回事

不過，現在的美國政府能夠拿出240億嗎?
是有可能的
舉個例子
看美國政府對通用汽車紓困時的金額 [1]
已經發出的約有200億
預計還要發出的約有300億

不過
汽車產業能獲得這麼多錢
也是因為它是一個成熟的產業
牽連到的層面相當廣泛
相較之下
機器人產業還正在發展
若是能繼續茁壯
也未必需要仰賴政府的補助來籌措資金


參考資料
[1] http://www.nytimes.com/2009/06/02/business/02auto.html

比馬龍的雕像 / Pygmalion and Galatea

比馬龍和他的雕像
比馬龍是希臘神話中的一的人物
他以象牙雕塑了一個潔白如玉的美女
那栩栩如生的姿態會令人覺得她似乎不是個靜止的雕像
他深深的愛上他的雕像
他幻想這不是象牙而是活生生的軀體
他為雕像穿衣打扮
他親吻撫摸雕像
他向雕像訴說感情
最後他甚至把雕像搬到自己床上，還幫他墊了一個枕頭!

看似不可能痴戀因維納斯的出現而獲得了轉機
比馬龍懇請維納斯給他一位像他的雕像般的妻子
維納斯看出了比馬龍的心思，於是把雕像變成了真人
於是比馬龍高興的撲上去親吻自己的心上人
並且高興的舉行了婚禮

原著
故事的來源是奧德維 (Ovid) 的變形記 (Metamorphoses)，這邊有線上版本。
裡面有交代為何比馬龍要製作雕像
以及他對雕像的種種愛戀行為 <= 這段描寫很有趣可以看看 Galatea
奧德維的原著故事裡，雕像少女本身並沒有名字
在後人的衍生創作之中
她有了不同的名稱，其中比較常見的是 Galatea


Orient Doll
如果比馬龍是在現代的話
她的作品應該會像日本 Orient Doll 所做的 Candy Girl
材質從象牙變成矽膠
更接近人類的觸感
而且放在床上時不會因為太重而壓壞你的床

CVPR 簡介 (一)

目前在計算機科學的電腦視覺這個領域，最有名的會議(conference)當屬 CVPR 和 ICCV。
CVPR 的全名為 IEEE Computer Society Conference for Computer Vision and Machine Learning，每年舉辦一次，今年(CVPR2009)的地點在邁阿密。

觀察一個conference的投稿論文數目和錄取錄，可以得到一些有趣的資訊。
本年度 CVPR 共有 1464 篇投稿，383 篇錄取，錄取率為 26.2%。(官方統計資料)
首先看錄取率，26.2% 在計算機科學算是比較低的，錄取比較高的會議可以達50%~60%左右。而投稿數反映了這個領域的熱門程度，1464篇算是蠻高的。(參考資料)
綜合高投稿數目和低錄取率，表示這個會議收取的論文品質較高，同時參與的人員也包含許多重要人物。另一方面來說，對於高投稿數目和高錄取率的會議，如ICIP，通常是讓國際研究人員有共同交流的機會，所以錄取的論文好壞兼備。

TopCoder 的演算法比賽

前陣子註冊了 TopCoder，這個網站提供了許多類型的程式設計競賽，其中有一個競賽項目是 Algorithm ，跟 ACM ICPC 很類似，要求參賽者在 75 分鐘之內解出三道題目。

這三題的難度是漸進的，第一題會讓你覺得寫 code 比看題目還簡單，第二題稍微想一下可以知道解法，不過要想到精簡的解法卻沒那麼容易，第三題會讓你覺得這不可能在時間之內寫完吧!?
一般說來最簡單的題目值 250 分，中等的值 500 分，最難的值 1000 分。參賽者的得分會隨著解題時間增加而遞減，所以每題的實際得分會比上述的還低。這種給分數的設定相當"老少咸宜，適合初學者到高手共聚一堂。

網路上的程式競賽很多，但是

TopCoder 和我看過其他的競賽有三個主要的不同之處:

1. 採用積分排名系統 (ranking)。每隔一至兩週會舉辦一次即時競賽，讓每位參加者同時解題，以每個人的得分來加減排名。
2. 挑戰模式 (challenge)。參賽者每20人分到一個房間，當解題時間結束以後，每個人有一小段時間可以看到別人的解答，如果你認為她的解法有錯，可以提出測試資料來挑戰，成功"反證"別人的程式是錯誤的話，就可以賺得一定分數，當然答錯了也會扣分。
3. 程式觀摩。比賽過後，所有人的程式碼都會公開，可以學習到別人的解題技巧。

難度

參加了幾輪線上比賽之後，發現自己生疏了許多。最簡單的題目也花了約20分鐘才完成，主要是因為自己寫的 code 和心裡想的都不一樣XD，所以寫個 20~50 行的程式也要 debug 一下。另外一個原因是看題目花太久時間，花5分鐘看完題目的時候，就有強者已經寫完了。

看起來這是高中生和大學生準備程式競賽的好地方，不過年紀在這之上的人也是有的，不曉得他們參加的理由是啥。台灣參加演算法競賽的人只有 13 個，還真意外的少，這可能是因為比賽的時間不是在早上，就是在深夜，不過就另一方面來說，大學生應該很能適應這些時段:p

現代魔鏡 -- 讓電腦判斷你的臉孔吸引力

什麼樣的臉孔是美麗的? 你的臉有多吸引人? 美麗的背後有著怎麼樣的理論基礎，是多年來哲學家、藝術家、以及科學家努力嘗試解答的問題。近年來科學家從機器學習和電腦視覺的角度出發，嘗試以數學模型來分析這個問題。

2006年以色列 Tel-Aviv 大學的 Gideon Dror 教授的研究團隊發表了一篇論文: A Humanlike Predictor of Facial Attractiveness，提出一套方法來評估臉孔的吸引力，是本篇文章所要介紹的。

作者首先請攝影師拍攝 91 位美國白人女性的照片。為了降低複雜的變因，這些女性的年齡、膚色都是相近的。接著由 28 位評審(15名男性、13名女性)來評分，評分的範圍在 1 至 7 分之間，7代表最吸引人。

影像特徵擷取

為了分析臉孔，作者擷取影像中的兩種主要特徵，第一種是五官位置，臉上定義了84個特徵點，分別對應到輪廓、眉毛、眼睛、鼻子、以及嘴巴，可見下圖黑點所示:



第二種特徵紀錄了膚色和頭髮的顏色以及平滑程度，可見上圖方塊所示:

以這兩種特徵為基礎，作者產生了 98 維的向量來表示一張臉，並使用機器學習的技術，利用之前 28 位評審的評分，來學習人類對吸引力的判斷。此後當每一張新的臉孔加入，首先會被轉換為 98 維的向量，然後根據學習的成果來預測吸引力。

實驗分析
1. 電腦能抓住大眾的喜好: 電腦預測出來的吸引力，比起任何單獨一位評審，更接近平均給分。
2. 平均的臉孔比大多數臉孔更具吸引力: 研究人員嘗試結合50張臉孔，產生一張平均的臉，該張臉會比80%的臉更具吸引力。

評論
這個方法有一個小問題:
沒有考慮到髮型的影響。髮型對女性的美麗有著很重要的影響，試看光頭的女性，魅力明顯下降。