|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
9 y! ^$ ^: k7 K! \% {% n3 d; [7 s
9 Z. N2 I' {& X' x2 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”。
8 G7 W+ [7 B6 h% q3 G; S Z" y D8 q N; L `+ Z( r6 R8 X
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。5 g# C0 |! I" x! ~$ |
% s4 k& z. y: s- T4 t+ a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。
$ ^' W' g& Q7 ?
; I7 p1 r; C7 N' r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。3 J! z! C6 g3 x8 w5 ]! g( v) W" M
, `% s9 \- ~1 n6 v* x
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。
& y! ]; m" G/ L; f) K) Y3 P: }1 ~: r. o% M# V4 I& L
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。
5 ?6 H( W% h1 o3 |
% d& U8 J7 ]$ I) M: d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。! B5 e8 H. D* l7 t' X
* D; O# `. J! W4 b5 I8 v
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。2 @) n3 j c) ^3 x1 `
- a' D, M" b5 p' \2 U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 H, }' T+ h4 ^9 n( @
8 w6 `7 x$ z4 o% H/ ~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。6 F& ?& K# X8 N5 z
) n8 s9 R$ s1 M( |$ [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。
; }1 [7 ? v- Z' ]) B7 x0 ~; I$ R. b! Z5 {% q
在实用中，常常还是黑箱为主，毕竟方便。6 u- C1 x$ l. {2 y
9 c9 C9 N ?. @) |3 x: @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- Y0 ~, |' O* r
: ^5 [) J3 h% l! }+ \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？' x& {4 H: b7 N8 k. m1 X
5 f7 I- C0 G6 v0 S+ L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。
0 \: K w9 ` {0 u
9 R4 U: L# w) J5 l6 F; _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。% C6 ]. M8 z7 N! _4 f: O
# a& u- O, f) d5 E9 F
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”。
/ |- E2 _) _0 o: I3 D& o c, `1 H
' |- ^5 X5 d" ?* k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。
* \" g6 x# ~$ a$ J# J% H
R1 P+ b& Q9 m9 Q) R2 K9 v1 F j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。
, k$ i f# I! Y; \: J( i s3 @0 p
% \- G0 u$ q% I' w" s6 i) E X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。' G ]4 |6 H1 g* ^
" ^ g2 Y* F# z$ C& Y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。
4 I3 V! E1 _& {* [
2 w+ B* w) @+ w9 B8 s1 M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。 X: ^" C2 G$ _
+ @4 A* `* E0 T2 v+ y张东团队的成果如果能白菜化、普及开来，功莫大焉。3 [9 G# x' |- n3 t! ?; i8 E
, M3 D: M7 O) ]% X3 i# |5 X( D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
