|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
) m- E; s5 n6 [
) L5 p* a7 x) G. w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”。! U3 d' t; @/ b1 T# F* x3 x
: g3 a+ E# c& U& N) }: B' C$ b
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。- m! _4 I5 s6 O: D5 x
/ a" |$ I0 ]( e: n; P- B. W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。
1 y# ~2 q0 O. |: f) }! m
" `7 R' ?5 e& b* r2 l" |+ P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。
: p k; R, U8 z+ q" L" e$ i* f4 q5 H u, ^1 d7 O0 ]" d
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 g# @* u& U7 H* ]/ W5 R) J1 ?
# c' `4 x% C% ~/ h$ j* ^5 C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 e, L- L% O% F4 b( ^' P7 C5 r b$ p+ O) s5 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。, T7 y) I. T* S( r
4 W3 G8 `3 u& P4 }6 p& x3 P* e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。
; d ^, I9 g4 G0 | Y) i2 `4 i& g* i2 c3 ~" j7 T
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。" q3 w0 ^) ^* M
; N& \/ n5 H2 ?$ `7 d1 ]
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 l$ W$ R# d/ `9 E) P$ Y
$ ?1 v: u. r6 x0 b/ f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。8 U# q7 O5 A+ _' b/ v
2 L& e$ Z6 x# N2 A2 C- p3 `6 [
在实用中，常常还是黑箱为主，毕竟方便。
! k- C7 {# c5 r4 X: s- h5 A( B$ }6 T, j1 L: R; u
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。/ w/ A3 b( U5 ^) }/ N# c3 @
. |2 ?5 y# ~( w' ?3 j
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？& r) [/ [& \% z. E. c2 ^
) @7 Y. I9 b t
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。
$ O- o8 U! g% J
3 L, m* O+ ^& X6 P J$ a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。
2 W2 d. c4 d* x
$ J! I' _5 i7 u4 k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 l8 P( C2 M: W) D
; W0 I$ `6 S/ r9 Q. F5 T' h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。
" D- }& a: n$ }4 [1 d6 ]+ U7 P" }* d( W% e/ R1 d1 k! X1 p' e/ g3 {; \
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。% v1 A g0 h B
3 i* U- U2 c; J# v1 P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。
3 e$ H* [3 A# z8 Y3 C: e9 \4 s7 x" ]7 Q7 b- 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。5 y) {4 _* J8 y0 v) V1 x+ b
+ K; i1 P6 x! w! E* E1 H- 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。
- e& F1 Z# \4 O0 u6 z4 ~! v+ |) A- I" ~" j5 A8 \& B; C) c. h
张东团队的成果如果能白菜化、普及开来，功莫大焉。" L7 g* w7 ?$ Q; `& C) n; \
3 U- n" ~4 O- F& L0 v9 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
|
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
