|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
0 i1 Q3 c! q5 E/ }( h# _, Q' A+ p* z* B! l' q/ I, |8 _/ k6 {
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”。$ K4 o* U! J; _& ^
9 U0 F0 u A* Q5 S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。
: y( [, f" k% Q7 l6 e+ C. `: m* e2 d1 `
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。, [* K6 e% S% B% `" Z6 O* e/ R; A
1 a1 P' }' C) G& l ^! D6 s, f+ u
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。
. W3 s# c; K/ b! Y
" ^3 Z6 W8 B: I. V2 r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。- b3 X7 n/ L5 y- M1 Y2 M e/ h6 o
4 w/ @# [9 T7 [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。
2 \' n: k! e N
) ^* E, Q8 z6 W7 e* t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。
* S: u2 r; M% B! [: N( U+ S: | p. y+ r# n! y* R) E- c
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。
: Y9 @, C, b' a5 b# u& t; ^7 V8 m0 R* b
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。
* H9 s- a# i- i k9 X, c
* A/ `& J2 c! {- o/ X2 q. t/ Y) Q" P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。- u$ }3 S' C3 z( i3 N2 a& G8 H
' e6 O0 M, k' G' H; O
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。
5 n& b' b. I" q7 g2 N6 C6 `% c, d: ]( t" m" j$ |/ B- d
在实用中，常常还是黑箱为主，毕竟方便。; z3 W) Q4 b! a; g* S! L
1 c. L' F' t2 t$ a$ m" C. e
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。: M7 u; C8 k' q1 A0 {
7 }8 F3 K5 `" M' s! _ V! z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？
A: q' j' j# G0 h- ?
7 F7 a- P! f* t. \4 x$ o* c8 e2 s! ^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。( W0 f5 m7 `( r. C5 [$ ~
( j4 B. ^) t. }$ p u' }! a; K, n
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。9 P% [8 J2 _ E! \1 w
$ R2 r1 X3 V8 z& d
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”。$ I6 z; i! R( s
9 A# b( @0 C$ l; L; o8 @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。. |$ B4 W! L5 O" ~7 @0 y
+ q1 ^, M) p4 g0 U9 O3 c
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。
, ^/ B2 h6 D8 Y B; t& d7 i
% X7 r5 `0 S6 e/ y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。
r5 f0 o" m& v! ~0 ?
2 M$ v) ~: v0 q! P( i6 d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。
/ \2 a$ z4 y9 e2 H2 s2 l( Y/ n- c$ E a( }# X& j w$ E( 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。6 [: p% G7 M5 _4 l
9 c$ @6 L q" V9 I9 E9 j3 X
张东团队的成果如果能白菜化、普及开来，功莫大焉。0 K* I$ Q( ?$ F0 ~
; |, p$ r! Q6 _4 x6 n
对了，爱坛里@testjhy 是AI权威，给说说我这个理解还靠谱吗？ |
评分
-
查看全部评分
|
雷达卡
楼主
收藏
分享
淘帖
支持
反对
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
抢沙发
千斤顶
显身卡
发表于 2024-5-13 04:22:37
