爱吱声

标题: 西工大这个AI成果意义非常重大 [打印本页]

作者: 晨枫    时间: 2024-5-12 13:14
标题: 西工大这个AI成果意义非常重大
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
; {6 O% _  _% v7 j& g3 a# m' x, Y" v( W) A: \2 S
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 D/ J+ n1 C0 m* M4 @0 A1 O( R, |  ]! v) U  g4 t( J- c* l) w
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。
8 W* S2 G5 z4 V! B: b- {; e$ }  p* E; |6 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。
1 v4 W% Z) Q/ o0 |; e
$ }: k' a$ J5 I6 ]7 f9 V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。% ~* @- h5 W) m3 P

# F5 p2 ^2 d) D4 N& J5 C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+ E9 Z: |3 i3 l
( N* ]2 ~% M% r4 Y: 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。' a3 y' r$ c( R

! ?; c; C- w" S' ?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。
6 P1 E8 Y1 U9 M4 V3 p2 g9 M$ B* T- z, @7 f1 H$ p: @3 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。% N8 O3 H& X: k2 U- ]! S" P
4 b, `" p  t  ?8 ]
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 m9 e/ Y0 f( r8 x1 j6 V- N$ I2 t1 S, X: D+ o% V3 ~) Y
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。
1 w. J$ w/ A* a0 S% N# N* Z& q$ f" k1 X  H: H6 }
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。
+ z4 T5 [- v4 t+ ^+ z& \0 n- n' m  i6 |0 Q( p
在实用中,常常还是黑箱为主,毕竟方便。* q2 M2 [) v' Q/ o& B; m0 ~

7 |0 j. Z  |: hAI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。
" Y7 E$ m* S3 L' w. Z; E
+ w9 O2 D. K: E6 v$ U/ 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?9 d+ t7 k! ?1 ?
9 Q: K, H0 c, q0 j7 B* Y3 ^6 e; ]) Y
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。
/ G' o8 I+ K8 x. w" s$ W9 z4 x1 X2 z( u9 ~4 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。
! H/ H2 M, I$ }- x
4 f, A$ A! Q) u4 _4 ~9 W8 b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”。$ F8 ]4 Q8 y0 {% O1 }0 r! P" R1 V8 c

- \0 T# e3 r! T, F( U' g, [, L! |* z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。
. S8 o+ J- d2 u5 V( O' [3 t& C" N" Y4 }  q
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& W* w8 S5 L0 r9 R+ K
" W5 b4 Y0 s5 _. D3 T2 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。, `. C/ p, |+ U
7 H( k! q9 U9 M2 u- X- b0 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。, y: g, R7 Y* g% [+ f

! k5 p5 Y# g) _" L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。$ H( s! B6 }# x- c

8 D' ~- e2 m2 a张东团队的成果如果能白菜化、普及开来,功莫大焉。
( _2 {/ \, C: ]! N  c' l" Y
; ^  U: |! f# Q4 _! y2 ]* C, K对了,爱坛里@testjhy 是AI权威,给说说我这个理解还靠谱吗?
作者: 鳕鱼邪恶    时间: 2024-5-13 04:22
本帖最后由 鳕鱼邪恶 于 2024-5-13 04:24 编辑
+ B* D* F, x' v0 p  @& K  _" k9 Q  `" g1 @6 B- c, ^, I9 a
兔子现在这么不耽于泄密了嘛~
作者: 数值分析    时间: 2024-5-13 17:24
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。

* o; ]- V6 N1 ]9 T所以最小二乘优化问题一般要求系数矩阵是正定的,至少是非负定的,避免马鞍点
作者: gnomegordon    时间: 2024-5-14 07:10
能给个文章出处吗? 完整的标题,署名,日期也行啊
作者: 小木    时间: 2024-5-14 09:22
听上去好像不是什么新东西,感觉这个好像有个专门的词,叫监督学习supervised learning还是啥来着?
作者: 老福    时间: 2024-5-15 00:00
黑箱的可解释性,是AI领域的热门研究课题。如果他们是理论上或方法上有突破,应该是尽量发在各个conference上。是的,这个领域的文章,conference上发表最重要。所以更可能的是这是现有方法在一个工程领域的成功实践。
作者: gnomegordon    时间: 2024-5-15 00:31
本帖最后由 gnomegordon 于 2024-5-15 01:09 编辑 % p% B8 B) O0 j2 _7 i* j2 X) p* J
老福 发表于 2024-5-15 00:00% J& t- ?" o1 I5 Y* s/ z
黑箱的可解释性,是AI领域的热门研究课题。如果他们是理论上或方法上有突破,应该是尽量发在各个conference ...

, k$ `# x  n! ?5 D7 l4 C% {. o! S4 S; |2 q
这个有所突破,算是重大突破哎。听上去像是人在回路中,不像boosting
作者: 晨枫    时间: 2024-5-16 05:34
数值分析 发表于 2024-5-13 03:24
# ~9 `) l8 W4 W4 Y  E所以最小二乘优化问题一般要求系数矩阵是正定的,至少是非负定的,避免马鞍点 ...

/ c' N3 h+ T8 m2 _工程实践中,通常是不到结果出问题,不会去检查正定矩阵的




欢迎光临 爱吱声 (http://129.226.69.186/bbs/) Powered by Discuz! X3.2