哪段代码最能代表程序员的暴力美学？ 第1页

:(){ :|:& };:

最近在和知乎上认识的几位小伙伴（ @lokinko 、 @雪峰的自由之路 ......）一起讨论leetcode，在此期间，我遇到了下面这样一个题目：

这类题目，可以是暴力递归。但是乍一看的话，肯定优先考虑用动态规划来做了。

不过，Discussion 里给出了一个答案是这样的：

       class Solution:     def stoneGame(self, piles: List[int]) -> bool:         return True     

测试了一下发现确实没毛病：

如果这是凑巧的话，那我没话说。如果说是回答者做出了数学优化而自信满满地给出return True这行代码的话，那可以说是对题目的降维打击了。

相比于传统的DP动态规划解的另一种方法——博弈先手优势的数学归纳解法。

于我而言这也算是一种暴力美学吧，程序员的头脑风暴（逃 ε=ε=ε=┏(゜ロ゜;)┛

我大学室友，用安卓做一个成语接龙的手机游戏，是毕业设计。

直到有一天，我看到他的源码：if(answer ==‘为所欲为'){}else if(answer =='为虎作伥') *n

这样的代码，他写了接近1000多行。。

最后还过了。。

//更新：

大家都纠结java用==的事，本人现在在用js写前端，只是看了这个问题想起大学的一些趣事，才写的这个答案，所以也没有多想，至于这些细节我也不会记得这么清楚，大家意会到就好了。

注：java用equal比较字符串。

很酷炫吧？

这玩意儿搞出的某些东西，甚至能盖过某些“古风”党几条街去（反正我是半点看不上那些玩意儿：当然，这个纯属个人观点）。

让机器吟诗作对？风雅到骨子里了吧？

但事实上，这才是个充满“暴力美学”的、通过简单粗暴的工程思维拼凑出来的、黑大傻粗的玩意儿……

它的基本原理，只是统计所有存世对联里“B词出现在A词之后的概率”和“下联中在A词对应位置上出现B词的概率”（所谓“马尔科夫模型”），然后在你给出上联/标题后，用“蒙特卡罗”方法选择一些词，然后从中挑出一句“构成对联的概率最大”的而已——所谓“蒙特卡罗方法”，其实还是“在所有词中随机选一个”，同样的简单粗暴。

（当然，这是最“糙”的未打磨版的做法——不过“打磨版”也没高到哪儿去，无非是加一些统计再加一些判断罢了）

这帮粗鲁的家伙！硬生生用理科生的简单粗暴闯进了文学殿堂！

PS：感谢 @张昭 朋友提示，目前对联/诗词也开始迁移到基于神经网络的Seq2seq方法上去了——而神经网络是另外一种简单粗暴的思路，后文会有提及。

不仅这个。之前中文分词一直是个难题，多少学者搞了半辈子都没有丝毫眉目。

（“中文分词”这个问题是这么来的：英文单词前后有空格，所以无需分词；但中文是一个个字直接“拼”成了一句话，想正确理解它，就得把组成这句话的一个个词“摘”出来。比如“日文章鱼怎么说？”得先拆分成“日文 章鱼 怎么 说 ”，才有办法继续分析下去；但如何让电脑知道，这句话不能拆分成“日 文章 鱼 怎么 说”呢？这就是分词算法遭遇的极大难题）

过去，学者们尝试通过分析语法、词性、语义等手段来解决分词问题——这也正是我们人类自己理解一句话的思路——然而写成算法效果一直不好，完全无法实用。

后来，中文分词得到了突破性进展。

这个研究是google搞的，同样基于马尔科夫链原理：先统计海量文章，找出B词在A词后的概率；然后找C词出现在B词后的概率……

最终，算法目标就变成了“找出一种分词方案，使得这种方案里的一系列词按顺序最终组成一句话的概率最大”。

简单粗暴吧？

但™真把老大难的分词问题给解决了——而且只需二阶马尔科夫链，就足以达到实用标准了（二阶就是只统计到“B在A后面出现的概率是多少”，而三阶就要统计到“当B在A后面出现的时候，后面再出现C的概率是多少”：没想到吧？这种简单粗暴的玩法，居然能比精妙的各种语法/语义分析强大得多！）。

（当然，之后又在这个基础上有了很多别的进展，我不搞这个，就不乱说了）

这个思路用在输入法的“智能联想提示”以及“整句输入”上，效果也是呱呱叫——当年的google输入法就是因为这个算法一举成名，打的在这个领域浸淫了多年的其它拼音输入法公司晕头转向……

这个算法甚至可以自动识别出网友新造词——原理也很简单，找几个字同时出现的概率，如果它们经常同时出现，那么这很可能就是一个词（当然会有一定的误识别，主要集中在“的”“了”等高频字上；这同样可以利用统计方法去除）；如果这个词不存在于旧词库，那么它就可能是一个新造词。

——现在，知道输入法的“新词库”“新网络流行语”是怎么找出来的了吧？才不是雇一群人天天泡各大论坛呢~~

事实上，去年大出风头的alpha go/alpha zero，也是个典型的“暴力美学”产物。

这玩意儿是这么来的：生物学家发现，神经细胞像一个触手怪一样，会“张牙舞爪”的伸出很多“触手”和其它神经细胞相互链接。而这些“触手”（术语叫轴突）可以传递信号（神经冲动）。

有人就猜想，或许这就是我们学习/思考的原理吧：

1、我们听到、看到、摸到的各种信号，最终成为某种“神经冲动”进入神经中枢

2、中枢的某个神经元收到信号，就通过“触手”告诉和它相连的其它神经元

3、经过很多神经元的传递后，信号最终被识别出来，并可能因此产生某种决策

4、决策的结果有好（达到目的）有坏（未达到目的甚至造成伤害）

5、根据结果好坏，奖励或者惩罚相关联的细胞

进一步抽象：

1、每个神经元负责接受外界输入，然后传给其它神经元

2、当奖惩信号到来时，每个神经元找出那些让自己做出正确判断的神经元，增大它的权值；同时找出使自己做出错误判断的神经元，降低它的权值

更进一步：

1、用函数模拟神经元

2、把函数分成若干组，第一组接受输入，然后产生信号传递给第二组；第二组以第一组的输入为输入，输出信号给第三组，依次类推

3、根据结果正确与否，每组函数检查导致自己输出正确/错误的那些上层函数，提高/降低它给自己的信息的权值

嗯，然后只要函数个数够多、层次够深、训练次数足够，大概就能解决学习问题了吧。

然后，让我们把图片数字化，然后丢给这么一堆函数，让它们输出一个值（0~1之间）试试效果吧。

我们可以规定这个值的意义是“图片中有猫的概率”，0就是绝对没猫，1是肯定有猫，0.8就是八成有猫——然后再人工识别图片是否有猫，也把人工识别的结论表示成数字。

最后，让这组函数学习一堆图片；每学完一张，就根据人工识别的结果完成奖惩。

如此反复，经过大量图片训练之后，这组函数竟然真的知道什么是“猫”了。

类似的，我们还可以让它判断围棋落子位置的好坏，然后用最后的输赢来给它打分——经过数千万局的训练，它就真的赢了李世石、柯洁！

类似的，这玩意儿还可以用来搞出准确率极高的语音识别、人脸识别，可以完成照片到水彩到油画的转换，甚至把输入照片仿造成著名画家的作画风格……

这东西如今真是炙手可热。你能想到的几乎任何地方，都会有人尝试塞个神经网络碰碰运气……

但这玩意儿为什么能做到这些？

没人知道。

反正，只要我们想办法堆叠尽量多的“函数”，组成尽量庞大的人工神经网络，然后想办法把问题对应过去，最后搞一堆数据训练它——这玩意儿往往就真的能比最强的人类做的还要好。

这还真是大力出奇迹。

       while( TryDoSomething() == false );      

我觉得大家对暴力的理解有点儿偏差，简单的东西才能叫做暴力，写那么大一堆，写的时间比计算机跑的时间还长哪暴力了……

哦。。。我觉得百度1万多个if的“人工智能”无人驾驶汽车项目应该最切这题。

我曾用归并排序和random shuffle 写过一个占用内存超大的死循环。每个寒冷的夜在床上，我都一边开着循环加温一边看视频。