爱吱声

标题: 西工大这个AI成果意义非常重大 [打印本页]
作者: 晨枫    时间: 2024-5-12 13:14
标题: 西工大这个AI成果意义非常重大
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
  j' N+ n. A7 F: Q& P0 Z* l" J, s3 r4 S/ H: r2 _9 [" b
南华早报报道，西工大张东（音译）团队在《航空学报》上发表论文，成功解决了AI的“黑箱难题”。
# p) y. M& t9 v7 U3 M/ a/ h: Z) R% u
黑箱模型也叫经验模型，指模型结构与物理过程没有外在关系的数学模型，模型结构的选择基于有可用的数学建模和分析工具，并无物理解释。模型行为与物理过程相近，纯粹是比照输入-输出训练数据，对模型中的可调参数“凑参数”的结果。在使用中，使用者“喂入”数据，模型“吐出”计算结果，仅此而已，谈不上理由，谈不上解释。) b4 B0 F. n- t* w
% \' G: q: s: o2 _% A/ S5 _
从高斯发明最小二乘法，这就是数学模型的基本思路。建模方法越来越复杂，模型结构越来越复杂，但思路没有变。) N) l, ]6 v2 w# ~6 a& p
% s6 L3 i+ n3 c) Y* V
也不能说一点没变。“任意”选一个模型结构，总可以“凑”出参数。模型阶数提高，模型结构复杂化，模型与数据的拟合度提高，但最终拟合度改进越来越小。数学上有一套“适可而止”的办法，帮助确定模型阶数和复杂性在什么程度既保持足够简洁，又达到足够精度。甚至有一定的办法，帮助引向最合适的模型结构。9 ^, c$ I7 Q2 a' K% c. [6 f

, N6 K' a2 I& t3 M6 N! P2 b, n1 O0 H黑箱模型的好处是简便，不需要对物理过程有深入理解。坏处是适用范围很受训练数据的限制。如果训练数据代表了所有可能遇到的情况，黑箱模型其实是不错的。问题是物理过程很复杂，可能经历的情况几乎是无限的，而训练数据只可能针对有限的场景。一旦遇到训练数据之外的场景，黑箱模型就很不可靠，而训练场景之外既可以是数据边界之外，也可以是数据“云团”之间的空隙。( d! _5 D/ u6 F5 {
4 T" H6 A& \- _7 V2 H
更近一步，不再是简单粗暴地从数学上容易入手的多项式、双线性等模型形式入手，而是基于对物理过程的认知，建立具有物理解释的模型构架，用可调参数使得模型行为与现实过程最大程度拟合。这是灰箱模型，也叫半经验模型。
) A0 D' c7 N  R: F# N& h( a" _; o
* f8 {' ^5 `4 J% n( p9 q灰箱模型的结构有一定的物理背景，在结构上就决定了模型行为的基调。如果这个基调定调正确，加上训练数据，就可以建立比较可靠的模型。即使在数据边界之外，或者数据“云团”之间，模型结果也不会太离谱。: @1 H+ ]6 Y, l1 Y' f  ]7 {) O2 Y
/ g5 F5 Y# s5 \" v) J/ \
理想模型也叫白箱模型，这是根据对物理过程的认知，建立机理模型，再通过实验，确定模型参数。由于这有坚实的物理基础，只需要相对较少的训练数据就可精确确定参数。而且在训练数据的边界之外或者云团之间，精度和可靠性依然有保证。% [  h+ Z2 q! i7 @. Y' A5 O

4 R$ [8 @1 {7 s* @" h白箱模型是可遇而不可得的。真实世界太复杂了，要精确理解和建模对相当简单的过程也是艰难的事，最后得到的模型也可能在数学上非常复杂，使用不变。比如说，水壶烧水是又简单又复杂的问题。如果用黑箱模型，选一个线性律或者平方律，在火力、时间、冷水温度和沸腾时间之间通过实验或许足量数据，然后用最小二乘法，就可以得到一个黑箱模型。在大部分情况下，这模型就够用了。5 ~* O; G: Q1 q, u2 V) {! E
8 R5 s* ?  L* u! s
用灰箱模型的话，就要用到传热、材质等方面的知识，但模型也更加精确可靠。1 m" C% f6 s( W# k7 `9 T/ W$ i

3 h7 s& Y! C2 u3 f: S, J! d$ Z但用白箱模型的话，连壶底的热分布、壶体的热传导和散热、壶内的对流循环、水中杂质对沸点的影响等统统要考虑进去。模型更精确，但建模就太复杂了。. S- V8 l9 w6 V4 O8 v9 ]
% G! t. W" \0 b3 V) g/ h& H. V
在实用中，常常还是黑箱为主，毕竟方便。5 {  L: \# P9 M, w  F  [! X8 Z
5 G% I: ^! f$ Z* a. H
AI正是黑箱模型，模型结构与物理世界无关。简单黑箱模型多少还能分析一下，对模型行为有一些定型、半定量的理解。AI模型就不行了，尤其是深度学习模型，动辄几十几百层，几万几亿参数，根本不可能进行有意义的分析。' k/ k  H- d' G) y: q  R
" R. T$ d- m1 F) x) O+ D
这就带来巨大的问题，尤其是用AI模型进行决策辅助甚至自动决策的时候：如何确保AI建议或者决策是正确的，至少是无害的？
0 [9 l3 _4 N& P. C5 S  s9 {( M: }
. t# o% D3 s  i在AlphaGo的时候，就有一些棋路是这样，事后复盘的时候，人类大师也看不懂为什么要这么走，也说不上来这几步对后来的胜负有什么影响。自动决策是个最优化问题。最优化好比爬山，爬到山顶就是达到最优了。但要是山包顶上很平坦，到底那里才是山顶就很不清晰。更糟糕的是奇点，像马鞍一样，从一个角度看是顶点，从另一个角度看是底点，算法就容易犯糊涂。还有“香蕉问题”，在两头翘的区域里，算法可能左冲右突就突不出去，要沿着“香蕉”走一段，才有比较明显峰谷。还有就是局部顶点，在山脚下的平地上有一些小土包，爬上土包，在三十步之内确实是顶点，但真正的山顶在前面，连山脚都还没有到呢。& k, @- s# B9 d0 e( }4 F

9 ^3 U% C! N6 [. X6 B: V) u这些数值计算上的问题可能把最优化算法绕糊涂，找到的最优解其实不最优，甚至一点都不优。$ x- c! L& I2 x5 o% a% U. E
+ A" a) r. c+ ^+ P: s; _
人类需要理解AI是如何得到当前的结论的。同时，如果人类对AI的求解不满意，要有容易的办法“纠正错误”。1 C& d( X8 _5 R' O" I5 X6 [- |

! Z2 I# {' L3 |4 E张东团队正是做到了使得AI“坦白交代”，用数据、自然语言和图表说明决策依据和过程，帮助人类理解AI，并在人类复审有异议的时候，可以反馈回去，纠正AI的决策路径。* L6 Y: t: n1 N3 u

3 R, x+ |( g8 l* L2 }张东团队用这个方法，训练AI空战。在一个实例中，AI用复杂的角度机动试图摆脱追击失败，有经验的飞行员发现，AI不顾能量损失强行机动，最后没有击落对方，自己反而能量丧尽，被对方击落。在后来的人工反馈中，AI“改正错误”，再也没有犯同样的错误，而是用貌似蠢笨但保存能量的简单动作引诱对方上前，然后通过积蓄起来的能量突然反手机动，一举击落对方。
5 ~, P; K3 E1 N5 n/ f+ f* {; P6 u1 f5 `1 v
团队发现，利用飞行模拟器数据，用无反馈的黑箱模型训练，AI要50000轮才能达到90%的成功率；但用有反馈的逐步训练，20000轮就能达到接近100%的成功率。
& C# j8 ]0 ?' X& W5 s' C9 z. i) g" ^8 y# K2 p
这其实好理解。完全基于训练数据的一次性黑箱模型训练好比关起门来死读书，破万卷书后才一知半解；学一点基本知识后，到实践中边学边完善，进步就快多了。/ m- G2 q, T% y4 S

. Q- p. [. x) q这对空战模型的意义显而易见，但应用还不止于此。在工业自动化、工商决策辅助和其他AI应用中，AI的“黑箱性”是应用铺开的最大障碍。即使人们有理由相信“AI是有道理的”，在不能理解这个道理之前，还是不愿意接纳AI的决策建议，在AI直接行动的时候更是抵触。
$ J5 X1 B! r# C: M6 z$ v! q
1 r# m6 h' _* g2 ~! W# }张东团队的成果如果能白菜化、普及开来，功莫大焉。/ ^4 I* Z. V& b! o
% ~& m5 y& C- |( {$ D4 Y
对了，爱坛里@testjhy 是AI权威，给说说我这个理解还靠谱吗？
作者: 鳕鱼邪恶    时间: 2024-5-13 04:22
本帖最后由 鳕鱼邪恶 于 2024-5-13 04:24 编辑 . F5 G/ Y# O4 k$ r$ y% ^3 T
' X, H, ]! B0 B( F2 W0 z
兔子现在这么不耽于泄密了嘛～
作者: 数值分析    时间: 2024-5-13 17:24
更糟糕的是奇点，像马鞍一样，从一个角度看是顶点，从另一个角度看是底点，算法就容易犯糊涂。

! Q0 T3 ~/ F0 {所以最小二乘优化问题一般要求系数矩阵是正定的，至少是非负定的，避免马鞍点
作者: gnomegordon    时间: 2024-5-14 07:10
能给个文章出处吗？ 完整的标题，署名，日期也行啊
作者: 小木    时间: 2024-5-14 09:22
听上去好像不是什么新东西，感觉这个好像有个专门的词，叫监督学习supervised learning还是啥来着？
作者: 老福    时间: 2024-5-15 00:00
黑箱的可解释性，是AI领域的热门研究课题。如果他们是理论上或方法上有突破，应该是尽量发在各个conference上。是的，这个领域的文章，conference上发表最重要。所以更可能的是这是现有方法在一个工程领域的成功实践。
作者: gnomegordon    时间: 2024-5-15 00:31
本帖最后由 gnomegordon 于 2024-5-15 01:09 编辑
% p, U& K/ z' N  v* R
老福 发表于 2024-5-15 00:005 P$ J. t- v6 D3 m+ {  k
黑箱的可解释性，是AI领域的热门研究课题。如果他们是理论上或方法上有突破，应该是尽量发在各个conference ...

$ Y4 \  C* F1 Z/ g/ E
2 D& `# h& R, X( Y/ L8 W4 O6 B% t这个有所突破，算是重大突破哎。听上去像是人在回路中，不像boosting
作者: 晨枫    时间: 2024-5-16 05:34
数值分析 发表于 2024-5-13 03:24( B9 {) X: Z6 u8 f! F+ H3 O" x3 o. l" e
所以最小二乘优化问题一般要求系数矩阵是正定的，至少是非负定的，避免马鞍点 ...
3 \3 }1 V* G; l0 S; r+ S6 X
工程实践中，通常是不到结果出问题，不会去检查正定矩阵的



欢迎光临 爱吱声 (http://aswetalk.net/bbs/) Powered by Discuz! X3.2