|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑 , V( X% [2 N+ E4 s( M+ T
8 U. |1 x$ e$ i# L* _$ U$ [
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”。9 w( C3 T' Z; c- F6 o
% F. p8 N7 ]+ s* F6 i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。* b- I0 |0 s% Q5 z, H
. X* O1 `! c& e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。9 r4 |6 q; u. z/ m2 g9 j! C7 M# k
V, p# C" R# X* p1 m+ I
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。2 A$ n; z5 [1 [/ M6 g/ F
8 ]% ^1 H. u' H' [/ U
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。
% K$ r4 T. z$ D6 [# J& T; [% c5 b0 o( ^7 B% | @* ^# U- Y
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。
6 ~7 n# L3 [, U+ z! P' a+ P$ L: X
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。9 [" O. R8 {7 D6 Y+ m! a& k
$ o6 T" V) U4 J0 \6 Q
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。
4 Y4 A v7 o" T6 p' Q' L% z. Z$ _& g' G; n ?! p4 ]) O
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。
1 {1 g/ X6 l: p: d% e/ Q7 ^, X1 l/ 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。: v8 v, z1 n% ]3 p$ l/ V n8 i
8 r5 |6 W& T6 a" t5 s7 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。6 R; O7 P5 `6 _! x0 y
( ^% v( r" Z6 {
在实用中,常常还是黑箱为主,毕竟方便。 A& f% c. N' Y1 r% `- i4 F Z
$ m0 u/ \; O. y) n) gAI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。
, B3 Y& H! i/ Z, w+ X* A q/ N8 n. n& B+ P2 l/ X8 @
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?/ {7 d6 A2 Q1 U' `- a2 b8 v2 w6 M
4 x- [. S7 x5 x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。
+ @3 T6 U% W% e1 ?' Z5 b" d
& M# O4 h9 e" S/ J: O/ 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。
C( t! O7 t2 U+ F `! T' V5 n! T- d! D3 Q* x3 f1 W; M
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”。
5 E1 U) p: T& n: y. j8 i
' @3 L# K( {1 R& f5 L, ]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。
4 d, P: t: q3 \2 r2 z8 W0 k) {7 }/ I
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。
: l. n# f, x' Q! W& \9 s+ l1 u4 ]' Y& g7 p: u
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* M( V# U9 e
& \" J- W7 _! b: W% I$ r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。
! I; b" c }9 d
4 x4 v% X0 x8 Z) ~0 f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。( B7 v4 e" B, q' Q& @
1 n7 S+ |0 u7 E/ N! Y) u张东团队的成果如果能白菜化、普及开来,功莫大焉。
v& x ^) W0 T, {3 N. K, a) }: z; g, e7 X/ S
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
|