|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑 ; q' P" j. p" j$ x7 O* O9 F' u
0 f4 B5 z P; ?9 z) K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”。
; E/ [; z& J0 T8 C/ d) m5 E2 Y% C z6 k" 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。( O }% ~8 R" ~1 ]$ T0 W0 h
E- M# A5 h C
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。7 U) M% n" q6 v: n- z Y( b1 U7 V
* ^; k2 A# R/ v& w
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。
' G/ w& o# t- a4 ?6 g$ Q& e2 t+ z8 X8 p. M* g4 t# }- ~
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。# [* s0 _0 S0 j
s7 _: ^5 c$ z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。
$ e8 @6 y/ r$ }0 C7 b3 \( i
6 m( L5 l: y- R0 r% J, `0 R+ h6 p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。# Z( E# M, e" r/ q9 \
0 e" x" X& L Z
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. S1 h( p1 f5 t' Y$ R# P* A
$ z) n8 |% d7 @6 ^. |4 R
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。7 q6 W$ U- o/ i6 F
* K$ Z. i6 |$ a- C+ \% q( M+ `! n! O
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。
. c, q Z: g$ y
: R6 j1 d& j2 F& I9 a, @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。! D/ L0 g8 ^- b' i
* x; x& T5 \. U4 S9 `2 N在实用中,常常还是黑箱为主,毕竟方便。
8 Y, x3 d! L- U5 Y+ ]3 G5 b. b4 Z) T) |+ F4 T& v7 B1 O
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。
9 r1 l3 {( J* N0 h! L4 U
' p* w( ]! b$ O& ?8 {: a" c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?
5 y! }! V; z/ X
& S; ?9 V9 d1 z; 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。/ q1 O5 o3 N1 N% C+ G5 U0 o5 t
3 y1 l* }, S+ Z1 W4 I" S& v5 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。
5 v0 T6 E9 K. b: [+ G3 O/ m& c
" d' C8 d: }: c3 G: @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”。/ Y9 F" E! `( ~" c* ~. {- Z
1 Z9 q1 t5 D. F/ }$ l% \$ n
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。# p: {) B0 D6 P7 ?. x% r
( W7 W E- p7 v5 R! f' a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。 ?& x. e( c, N* H" f
' P3 a" E/ S2 W' T+ i7 B# e+ B+ M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。
* ~+ T% F5 D+ w# X) y: O, l$ O6 i, D9 g& f0 ^/ s
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。
' h6 t. U! C9 p& G# H1 i
: B' Q: C9 o* P& K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。, V, W# {, r( H6 v) w2 |: _
. J4 ]1 T$ h; `$ a3 F1 c& m5 t% {
张东团队的成果如果能白菜化、普及开来,功莫大焉。9 ]/ m3 w/ A, A+ E0 l/ {4 N
- h. [9 C( o* F2 b
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
|