¿En qué investigación está perdiendo tiempo el mundo académico o la industria?

Answer 1

Intentar paralelizar tantos algoritmos como sea posible, solo porque esto está de moda otra vez. Algunos algoritmos de hecho se paralizan bien, pero no tantos como pensaría ingenuamente, y no tan bien como lo esperaría. El problema es que muchas personas insisten en “aprender haciendo” y no entienden los límites abstractos y formales de la computación paralela. Estos límites no son terriblemente difíciles, pero requieren un pensamiento diferente.

El desperdicio se vuelve particularmente lamentable cuando las personas asumen que su algoritmo favorito debe ser paralelo, y si su experimento no lo muestra, entonces el problema está en el experimento. Entonces, ves todo tipo de afirmaciones engañosas, y así sucesivamente.

Actualizaciones basadas en comentarios:

• Esto no tiene nada que ver con el cerebro, que no es tan paralelo como mucha gente piensa.
• La pregunta era sobre investigación, no cosas obvias.
• no es útil tomar un algoritmo realmente malo y paralelizarlo, es necesario mostrar una aceleración sobre los mejores algoritmos secuenciales (posiblemente utilizando un algoritmo paralelo especializado)
• hay un error común de que la solución de los problemas de NP-en particular se beneficia particularmente de la paralelización; el estado actual de la técnica en varios problemas clave, como el SAT, no es compatible con este h [oy] pe – el mejor método a menudo es ejecutar varios algoritmos muy diferentes en paralelo y esperar a que el primero termine (ya que diferentes algoritmos favorecer diferentes tipos de entradas). Las comparaciones con tales estrategias de “cartera” faltan en muchos artículos y no parecen favorables.
• es común descartar ingenuamente la sobrecarga de la comunicación (y la memoria compartida) en cómputo paralelo; puede ser importante y tiende a dominar en la práctica para muchos problemas

Answer 2

Seré un poco más específico que los demás y diré verificación y validación formales. El objetivo básico es verificar la corrección de un algoritmo o módulo de software utilizando métodos formales de matemáticas y un modelo nominal del sistema con el que interactuará el software.

Este enfoque echó raíces en la ingeniería de software y, al principio, suena inofensivo y muy importante, ¿verdad? El problema es que las personas comenzaron a usar estas ideas a la izquierda, a la derecha y al centro sin detenerse y pensar si tal metodología de análisis es apropiada para su campo en particular. Esto ha dado lugar particularmente a un efecto negativo en muchos campos de la ingeniería, en particular el componente de sistemas y señales en la ingeniería eléctrica, mecánica y aeroespacial. Veo los siguientes problemas:

1. Los investigadores académicos tienden a desarrollar algoritmos para una amplia clase de problemas en lugar de una instancia específica de la industria (por ejemplo, un algoritmo de control para un sistema de vuelo por cable o piloto automático). La industria se queda rezagada académicamente por al menos 5-10 años, y es probable que cualquier algoritmo que se proponga hoy no sea aceptado en el corto plazo. Esto se debe a un simple mantra de la industria para sistemas críticos para la seguridad que involucran vidas humanas: si algo funciona, ¡no lo arregles! Por lo tanto, la responsabilidad está en la industria para tratar de tomar ideas de la academia, resolver los detalles esenciales, perfeccionarlos y usarlos. No es razonable esperar que los investigadores académicos hagan este trabajo.
2. La academia es un lugar para producir muchas ideas, compartirlas y mejorarlas. Es importante discutir la eficacia de las ideas en general en oposición a la eficacia de las implementaciones. Lo primero no es posible en un entorno industrial, y si no está representado en el mundo académico, será perjudicial para toda la comunidad de investigación a largo plazo.
3. Las personas de verificación formal también actúan como una mala policía. Para cualquier idea que se proponga y se pruebe en simulaciones, por ejemplo, requieren que produzca mil certificados de estabilidad, corrección, etc. Esto se agrava aún más en los sistemas cibernéticos donde el software interactúa con el hardware. Tales esfuerzos tienen cero valor intelectual; muchos estudiantes de doctorado se sienten frustrados; Y estas ideas nunca se publican. Esto contrasta con un campo más optimista o de riesgo como la Inteligencia Artificial, donde las personas publican muchos artículos con muy pocas pruebas reales. A la gente no le importa mucho si una idea en particular ha sido efectiva en un banco de pruebas del mundo real, o una prueba matemática de que lo será. En cambio, las ideas son apreciadas por lo que son, y la industria toma estas ideas para hacer algo bueno con ellas. Creo que tal cambio es muy necesario en ingeniería, especialmente en EE. UU.

Answer 3

Creo que tratar de desarrollar medicamentos para degradar las placas amiloides en la enfermedad de Alzheimer es una pérdida de tiempo. Creo que sería mejor considerar la enfermedad de Alzheimer como un trastorno del sueño. La enfermedad de Alzheimer es casi idéntica a los síntomas de la falta de sueño en individuos sanos. Los medicamentos GABAérgicos que ayudan a restablecer parcialmente el sueño ya producen una mejora demostrada en los síntomas de las personas con Alzheimer. Existe evidencia de la destrucción autoinmune de las células GABAérgicas en el hilus del hipocampo de personas con alzheimer. Casi todas las personas con Alzheimer han interrumpido el sueño. Los individuos sanos necesitan dormir para destruir la placa amiloide que se acumula diariamente. Es probable que un enfoque en la restauración del sueño natural sea más productivo que los enfoques actuales.