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 0 H& A; @- [* p2 N, Z5 ?

" o+ g& }% R* x& v# _  g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”。
2 t9 K  r; e/ \7 x# t: o8 a$ C7 o1 U. i# R( p
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。% f% Q( f4 Z* |3 N' ?7 x

& J7 @! G0 y! C# [6 K. O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 j1 G# K6 Q3 f2 {6 D2 {0 u* q; \6 g( b5 D
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。/ k. ^( y. \  L7 S) }& l1 s6 u5 Q5 e5 u
: q9 C( i5 z, x- w" 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。3 i$ m! y6 k( ?' u
" r# q# l! g# l5 N; \; 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。: L7 G+ E0 V# n8 v
0 i0 N+ |  V# O  d  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。1 A- x  {0 m9 p9 O3 u

! z( r4 b: k& R5 ^  R! w+ 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。" o- y" p8 C$ z8 d1 g4 T0 n

  e9 J8 R& f6 k8 t1 T% z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。, V/ {1 Z  }/ f. d
$ ?' L2 h: g7 x2 d7 w  `
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。
* Y; w8 Q3 E! Z9 U
, {7 |# w, e; a9 p) W* h1 x: C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。0 [; b9 ~% |2 X1 t: i2 s" K
. t6 F) X: o/ c: x4 ^
在实用中,常常还是黑箱为主,毕竟方便。
+ O0 `7 W3 t. n/ v6 f$ R& i! Q  N9 w5 z& E
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。
4 Q5 E0 C9 o3 @# O, ?0 d5 i( u6 a  Z3 u5 ^# v$ s
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?
! r1 K: A- i( W( }$ Q6 b+ r' N- q3 g( _* M4 N
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。
% W9 y0 R' ^# a7 Q. d
( V' j# a8 }* F5 s3 E8 |5 t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。
, B7 F8 p0 A2 L/ P; ~- K' l
5 g% z4 U  R0 ?) c( P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”。. d/ t/ U2 S% l3 W6 X

* T+ V+ w7 y9 i2 d- W% d1 R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。9 I* u: b3 ]! R
1 v: X8 t. a# B! h8 |5 l7 m# W
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。
" W$ @0 o! {# v3 Y. u' e) c" [4 K( e( I
1 E! s, R# W) i$ y, p- W* t3 t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。& M0 M5 p6 e, @/ ]( d
4 ]3 ]) M! V, l# C+ b
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。
8 d, ^  N# I* c0 G- t. h) _0 X) H% a' s; e! x: m4 v
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。
9 o# C$ a0 p+ _6 x" D; X# F! L2 q) Z
张东团队的成果如果能白菜化、普及开来,功莫大焉。2 d% P7 {  M2 p# U' [7 e1 A
! g4 l# g9 \( ]5 j; t  S
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
/ |4 C# x8 {$ V) r1 ?* i) f& t3 G
+ K* N, v6 D& q# D; K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。

- F' g2 i1 {# v7 K9 o' d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
: d  D1 z: @0 e) }  H: A* m  U
老福 发表于 2024-5-15 00:00
0 }( S3 I. J  o& c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 ...

5 C: f$ s8 D+ t6 A: R% V% n) }
! d5 b8 C4 W8 P6 P) l' ]- u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# P. Q, f* e5 k5 ^7 I/ H0 g4 @5 ?
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 ...
# p8 |3 x9 D3 Z/ L
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