Diffusion Model 最近很火，谁谈谈？技术层面，哲学层面？

[弃婴千枝]

完全没必要

clifford主要用在supersymmetry，而且目的不是多个方程合并成一个，而是把dirac方程分解成左旋和右旋两个方程（Quaternions分解为majorana和weyl）

把maxwell变成Quaternions让物理变得极其复杂，得不偿失

不是。

我说的是一种“新”数学，叫几何代数，也就是所谓的克里夫特代数。直接表示空间，不用向量来间接表示，所以可以简化物理学，计算机图形学，等等各种用到向量的地方的各种公式。特别对旋转的表示，非常简洁。大致就是这样。

物理学中是这位老兄在提倡：https://en.wikipedia.org/wiki/David_Hestenes

[hci]

现有通行的物理学，因为数学工具笨拙，是做了一些简化的。这些简化，也许导致了你说的偏差。

比如广义相对论里面，有一个torsion的量，因为传统数学很难算这个，所以通常被人为设为零。苏联有些物理学家测过这个，是能测量到效应的。所以现在很多人相信灵魂世界，就在这个所谓的torsion field（所谓挠场）里面。哈哈。而这个torsion，在几何代数里面，是很容易算的，几何代数的特长就是算旋转，其实一切都是旋转（反射）。

这只是一个例子。

数学，形式化方法不同，对人的难易完全不同。而数学，本质上是人的理解。所以对人来说，不同数学并不是完全等价的。

比如中国古代数学也有微积分思想和方法，但形式化没弄对，传播和使用起来都完全不是同一回事。

用这些数学工具写下来的麦克斯韦方程组，和微分方程表示的完全等价（我没说错吧？）。

但是问题是我认为麦克斯韦方程组表示的物理，和真实物理世界是有偏差的。那这些数字工具，在这个研究方向上能提供什么帮助吗？

[hci]

固步自封。

人家说了要变成Quaternions么？都不知道人家是什么东西，不要瞎扯。

完全没必要

clifford主要用在supersymmetry，而且目的不是多个方程合并成一个，而是把dirac方程分解成左旋和右旋两个方程（Quaternions分解为majorana和weyl）

把maxwell变成Quaternions让物理变得极其复杂，得不偿失

[bigdata2022]

好贴！！！！！

[verdelite]

索男关心的东西，和大妈网关心的还是有不同的。睡觉去了，以后再聊

[弃婴千枝]

你这个外行太搞笑了

torsion用的是复空间的2-spinor,不是你理解意义上的clifford algebra，你这套叫做einstein-cartan理论，爱因斯坦还活着的时候就有了，爱因斯坦发展这套把戏的目的并不是为了torsion，而是为了加入电磁场的自旋，因为torsion不是你想加就能加的

另外采取torsion free approach并不是计算困难，而是受到强等效原理约束

物理的玩意是非常delicate的，受到很多实验结果的约束，不是你想加上torsion就可以加的

现有通行的物理学，因为数学工具笨拙，是做了一些简化的。这些简化，也许导致了你说的偏差。

比如广义相对论里面，有一个torsion的量，因为传统数学很难算这个，所以通常被人为设为零。苏联有些物理学家测过这个，是能测量到效应的。所以现在很多人相信灵魂世界，就在这个所谓的torsion field（所谓挠场）里面。哈哈。而这个torsion，在几何代数里面，是很容易算的，代数几何的特长就是算旋转。一切都是旋转（反射）。

这只是一个例子。

数学，形式化方法不同，对人的难易完全不同。而数学，本质上是人的理解。所以对人来说，不同数学并不是完全等价的。

比如中国古代数学也有微积分思想和方法，但形式化没弄对，传播和使用起来都完全不是同一回事。

[hci]

我不跟你争论这个，我只是传述我看到的。你所说的，也没有超出我所看到的内容的范围，所以我不认为你反驳了什么。

我说这个，对你没用，也许对别人是个启发。比如这位这么讲究效率的，有更好的工具都不知道，岂不是可惜？

你这个外行太搞笑了

torsion用的是复空间的2-spinor,不是你理解意义上的clifford algebra，你这套叫做einstein-cartan理论，爱因斯坦还活着的时候就有了

另外采取torsion free approach并不是计算困难，而是收到强等效原理约束

物理的玩意是非常delicate的，收到很多实验结果的约束，不是你想加上torsion就可以加的

[弃婴千枝]

至于为什么到现在都没有加入torsion，是因为谁也不知道等效原理究竟必须强约束还是可以弱约束，谁也不知道，所以最好还是不淌这浑水了，算完写了也发表不了

所以本质上是实验没有证据，并不是数学上困难，物理理论超前实验至少50年，这点把戏爱因斯坦活着的时候就搞定了

物理上很少用real space的clifford,都是用complex space的spinor(clifford的子集），主要目的是为了处理自旋

我不跟你争论这个，我只是传述我看到的。你所说的，也没有超出我所看到的内容的范围，所以我不认为你反驳了什么。

我说这个，对你没用，也许对别人是个启发。比如这位这么讲究效率的，有更好的工具都不知道，岂不是可惜？

[hci]

你说的这一通，对一个物理学民科是会有很大吸引力的，你知道么？

我的目的就达到了。

至于为什么到现在都没有加入torsion，是因为谁也不知道等效原理究竟必须强约束还是可以弱约束，谁也不知道，所以最好还是不淌这浑水了，算完写了也发表不了

所以本质上是实验没有证据，并不是数学上困难，物理理论超前实验至少50年，这点把戏爱因斯坦活着的时候就搞定了

物理上很少用real space的clifford,都是用complex space的spinor(clifford的子集），主要目的是为了处理自旋

[da1gaku]

看了da1gaku的介绍，我感觉基本上对这个技术有了一点感觉。弃婴的观点，忽略了很多东西。比如：图像各点之间的关系。她假设图像是二维的点，相互之间没有关系。各处理各的，然后她得到一个错误的结论。我批评过她这种物理竞赛训练出来的思维，显然她没听进去。我物理出身，对这个缺点太了解了。

而真正的图像，是客观世界的图像，里面有很多线条，所以各点之间是有关系的。AI学习的存储维度是很高的，里面存储了大量训练集里面隐含的关系。话说AI就是量变引起质变，从机器运动里产生智能。

其实深度学习之所以能用几百万上亿个参数来建模、处理高维数据，就是因为这些参数经过训练后构成类似流形的东西，有内部和谐。
否则没法弄。

[TheMatrix2]

其实深度学习之所以能用几百万上亿个参数来建模、处理高维数据，就是因为这些参数经过训练后构成类似流形的东西，有内部和谐。
否则没法弄。

对。应该是这样。

[TheMatrix2]

至于为什么到现在都没有加入torsion，是因为谁也不知道等效原理究竟必须强约束还是可以弱约束，谁也不知道，所以最好还是不淌这浑水了，算完写了也发表不了

所以本质上是实验没有证据，并不是数学上困难，物理理论超前实验至少50年，这点把戏爱因斯坦活着的时候就搞定了

物理上很少用real space的clifford,都是用complex space的spinor(clifford的子集），主要目的是为了处理自旋

弃婴确认了。

话说你起这么个名字，太low了。

[TheMatrix2]

同意新数学是让不能算的东西能算了。我觉得“新数学”就是AI，它不是让人去手算，它替人去算，算完了以人类可理解的方式呈现。

现有通行的物理学，因为数学工具笨拙，是做了一些简化的。这些简化，也许导致了你说的偏差。

比如广义相对论里面，有一个torsion的量，因为传统数学很难算这个，所以通常被人为设为零。苏联有些物理学家测过这个，是能测量到效应的。所以现在很多人相信灵魂世界，就在这个所谓的torsion field（所谓挠场）里面。哈哈。而这个torsion，在几何代数里面，是很容易算的，几何代数的特长就是算旋转，其实一切都是旋转（反射）。

这只是一个例子。

数学，形式化方法不同，对人的难易完全不同。而数学，本质上是人的理解。所以对人来说，不同数学并不是完全等价的。

比如中国古代数学也有微积分思想和方法，但形式化没弄对，传播和使用起来都完全不是同一回事。

[TheMatrix2]

至于为什么到现在都没有加入torsion，是因为谁也不知道等效原理究竟必须强约束还是可以弱约束，谁也不知道，所以最好还是不淌这浑水了，算完写了也发表不了

所以本质上是实验没有证据，并不是数学上困难，物理理论超前实验至少50年，这点把戏爱因斯坦活着的时候就搞定了

物理上很少用real space的clifford,都是用complex space的spinor(clifford的子集），主要目的是为了处理自旋

有了AI，torsion就可以加进去了。符号计算，数值计算，哗啦就出来了。

[FoxMe]

No. 你这个想法说明你没懂人工智能。

比如神经网络。矩阵之上有一个非线性部分，最开始用 Sigmoid，就是一个三角函数。你看到了，你就说人工智能不就是三角函数吗？错。它用到了Sigmoid，它还可以改成很多别的函数，比如ReLU。

为什么这些都好使？这实际上是个体系的问题。在这个体系之中这些都好使。这个体系的什么特征使Sigmoid，ReLU都好使？这个问题才是人工智能的入门问题。

Diffusion model是用到了 diffusion，可不可以用别的，很可能可以。为什么可以？体系的什么特征使它们都可以？这是我们搞人工智能应该问的问题。

有争论是好的，有争论才有进步，争论越激烈越好。我觉得我们争论的是什么是人工智能，那么先要定义人工智能。根据维基：

Artificial intelligence (AI) is intelligence demonstrated by machines, as opposed to the natural intelligence displayed by animals including humans.

根据这个定义，会算1+1=2的机器也是人工智能。你如果不同意，那么请给出人工智能的定义。

[Amorphous]

Diffusion Model 是先拿一个图片集，某主题的，比如人物。然后以高斯过程的方式把每一张图虚化，一小步一小步的，最后虚化成一个完全的高斯噪音图片。然后学习每一张图片的虚化过程。再把这个过程反向。应用的时候从一个高斯噪音图片开始，反向生成一个有意义的图片。

很神奇。这里面到底有什么？

学习虚化过程，过程反向是什么意思？

[TheMatrix2]

有争论是好的，有争论才有进步，争论越激烈越好。我觉得我们争论的是什么是人工智能，那么先要定义人工智能。根据维基：

Artificial intelligence (AI) is intelligence demonstrated by machines, as opposed to the natural intelligence displayed by animals including humans.

根据这个定义，会算1+1=2的机器也是人工智能。你如果不同意，那么请给出人工智能的定义。

怎么定义人工智能我定义不出。你引的这一段也不能算定义吧。1+1=2也不一定符合你引的这一段。

但是什么是智能我当然是想过的。我觉得智能得有这样的特征：外部看不可完全预测，有模糊性。打开之后规模要大，复杂。

[FoxMe]

搞笑

markov chain只有在pij=pji的时候才是time reversiavle

尼玛，我的原话是：

“一个马尔可夫链在时间上反过来还是马尔可夫链。”即如果X1,X2,X3,...,XN是马尔可夫链，那么XN,...,X3,X2,X1也是，很容易证明。

不是你说的time-reversible，time-reversible有个特殊的含义，你的公式也不对，正确的公式是：

qi*pij=qj*pji，这里qi是稳态分布。

time-reversible Markov chain指的是在稳态下，时间反转仍然满足同样的稳态分布。但是diffusion根本不是在稳态下工作。

这才叫望文生义。

[TheMatrix2]

学习虚化过程，过程反向是什么意思？

一个图片在第t步时是f(t)，下一步更加虚化变成f(t+1)。学习这个过程就是给定f(t+1)，怎么才能变回接近于f(t)。

[FoxMe]

最简单的描述：假设W(t)是布朗运动，那么可以用随机微分方程表示diffusion model

前向过程：dX(t) = dW(t), 初值X(0)是一幅图
反向过程：dX(t) = -score dt + dW’(t)，初值是噪声

这里score = log(p_t(X(t)))的梯度。就这么简单，前向过程是布朗运动，反向过程基本是个朗之万方程，从纯噪声开始反演，到达初始概率分布，得到另一副图。这里要用个神经网络去非线性拟合score。所以我没看到智能在哪里。只是学习了一个概率分布，本质上是个随机数产生器，当然如果你要说是智能也可以。