|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑 7 r# P% h7 W) C
/ q3 ]' `, j" _2 Z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”。
- r e, B! Y# ^* Z% V( H* ^
7 t: o. t- q& D, P9 ]& g; p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。7 R; U. y% a4 r* d& O
3 u- q, q: @+ l% n8 j( Z9 v& _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。
3 j7 j# D+ x( H7 O- ]8 O. J* Q# L, t# }; c' }6 A3 J. `. G& s
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。
4 H" w5 V6 @1 A+ `! E( Y7 T5 t+ W" E6 I% P3 |
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。6 i0 O; e6 z6 ^+ I; i/ c
, V0 `4 g ]' _& E3 d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。: E1 a/ o7 I( K" P" Z% I
' P7 ?! h4 q6 V! K+ h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。& F$ s; N3 L) ?- K5 D9 F b$ C
0 N3 x: N' S5 A2 q# w P
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。" u/ Q i, @ f* `/ J2 w- M
5 w. n5 A( h' {" m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。
, A- l ? A1 x# h' Z
Q" ?% g }3 j4 i! n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。
2 m! _; [6 j0 c# I* _" L) U
1 i& N( n2 Y5 G; x) Z3 ?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。
9 ^7 r0 F4 o% h% D, l' |2 \: J/ O, N5 Q
在实用中，常常还是黑箱为主，毕竟方便。! w% a8 m/ V7 X+ q
0 {( W' ^* ?; P" m& g& o- ]) N
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。
' c B3 z/ ~; C! v) H/ a" k6 s/ v0 W% S
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？3 F1 S8 Q' ~. u
! j( o1 a. A& 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。5 B6 Y1 p' ]! D" Z, O% W8 H
* v0 _" G+ ^+ X1 p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。
- l4 r" X! H4 i" Y f
: r' c+ v/ W& }) G1 A0 V+ W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”。7 Z* F( |8 `# `+ N2 ?! l) F
% e9 i# C% ~! w3 c2 h) J
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。& |1 Y2 R* ]' `, `% K1 J$ I- T2 D4 z! @
* T( u9 x: o! n P
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。' P; @/ z% G& Q5 |& Q6 `
8 N2 M9 L7 g( a/ e6 _& v+ g- z
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。( x) c% Z! F$ H% R+ v, S
0 C- l' b# J: x: \
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。9 @1 S5 F b6 D& c/ V
2 B' K8 \/ W1 ?& i0 Y1 K& I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。: }* o P) Y4 _. W- I/ i
, b7 A6 s. l' U- g. d5 Y7 P
张东团队的成果如果能白菜化、普及开来，功莫大焉。2 _3 a0 z2 R/ q) V! O
. L% Y2 Z+ y. k7 V7 U3 w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
