自然語言處理是計算機實現通用人工智慧的最難挑戰嗎？

通常傳統的方法，當要採樣一根光線在某個表面的散射方向時，我們都直接對那個表面Local的BRDF做一個重要性採樣。這樣做的問題是並沒有考慮到場景全局的廣場分布。這篇文章首先很巧妙的把Rendering Equation和Q Learning的Update function一項一項的對應了起來，然後把場景的表面離散化，在表面上再把散射方向的半球離散化，並在每個半球上保存一個Q Learning的記錄。然後就一邊做渲染，一邊通過渲染的數據去更新這些記錄。並且將光線散射時候的BRDF重要性採樣換成對Q Learning記錄的採樣。對於場景比較複雜，採樣困難的場景，這個方法能起到和Metropolis採樣非常相似甚至更勝一籌的效果。最後再簡單說說我個人對人工智慧的方法用到圖形渲染應用中的看法。簡單來說，我還是覺得，AI、深度學習是一個用來逼近，或者說發現一個非常複雜的高緯度非線性函數的工具。但是圖形中的許多問題，我們都是已經知道描述問的非常精確的公式的。例如渲染有渲染方程，物理模擬有各種物理定律。我個人認為這一部分根本的問題描述，我們不需要AI幫忙。例如我是不太相信現在的各種Colorization Network，Style Transfer，又或者GAN這一類同樣是生成像素的演算法，能對基於物理渲染帶來什麼實質貢獻的，我不認為還是比較黑盒的神經網路能提供傳統方法有的質量和精度。但是對於這些問題，雖然我們有精確的物理描述，但是在實際運用中，高效的求解往往還是非常有挑戰性。例如渲染中的重要性採樣，要做到真正全局範圍內定理想採樣，勢必需要全局的統計各種信息。又例如圖像降噪，其實就是要非常聰明的恢復那些因為採樣不足而丟失的信息。感覺這一類問題，AI也許的確能提供一些非常有價值的幫助。上面分享的幾篇文章都是很好的例子。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！