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 , F5 {, J6 G0 W! `0 P: P9 p9 [
# j' ?$ x. |+ G5 E+ _
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”。. L/ A% y. o0 i. a- k
1 C) G% m* m+ c8 V! E3 o7 u- t
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。
. @1 k. N, X8 f/ P2 g( J  a4 c2 X9 L$ g
% n( c; G  r+ c6 z- ~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。
2 y% [# C7 \5 ?2 f0 ^
, ^, r6 H5 W0 O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 g. S5 G) K2 d
5 N# ]* r2 K1 d5 I) ]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。
: u/ p  V- c3 e4 P& ~# E" M
( z8 r1 P0 P( O) I7 O9 b! J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。
# K# h' ?5 e5 h* h
+ o5 N7 J6 j0 u+ X# W0 N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。
  K, }# r  f( I2 x3 k) T, v8 d! S' u. R
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。5 R0 G+ o6 I( M' {- Y

* p$ ~; J0 o- s! k4 u' A: c: M$ F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。
6 g2 w$ B! s7 c7 |0 ?( `" E" M5 _5 a6 i' c" [) m
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。+ L- W# [0 J' |: k

2 c: V" ]2 H0 U! K% G  s6 }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。
% D9 p' }! k5 }5 b
4 p* _/ q1 ~6 R在实用中,常常还是黑箱为主,毕竟方便。- v  F) V; O" ]  W# D+ q* P3 X  w+ q
' b% Z0 V0 M. ^
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。$ U4 N. c* R6 e' C

! E+ {. \& V, ~; c' k& V2 S! t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?
2 S, |& i$ t  n5 h8 m: u- ~. f7 O6 P: ~: H" j8 F; 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。3 P& f* F; }3 N; d4 x5 k1 e

: Y: d+ J& V8 V. j/ l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。7 k+ y2 e, G/ H( F4 e

  ?: a8 }4 A. 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”。
* x0 u3 E7 s7 p  H
; p9 f( y+ i) g* f2 m4 e. n3 |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。
0 _5 g- O1 T! b6 Y) m: Q; g4 B1 j6 y' S$ n" v
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。$ z/ v! q8 s9 J6 y$ z
# O0 z- F; d+ D
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。
8 x/ ~) q- G2 c0 s9 Q+ ^# m) |5 |; A; y' z7 x
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。
1 `7 u% N2 c" a9 U3 z6 ?# U) w; m1 S4 m7 C+ r
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 A  i% B) i1 a) k' M( p+ a5 [, i5 X& ^1 \* D4 L4 f1 H3 ~
张东团队的成果如果能白菜化、普及开来,功莫大焉。
0 t& ]( R0 `& E! q  j5 |9 X" e/ q- \8 C6 a3 X
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
( W4 o3 s4 i4 c6 B5 \4 }8 Y. ~# u  t# {
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。

) S1 m% W+ |3 _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 / ]; z: w4 n3 ~6 ?, ]  a: ~8 u
老福 发表于 2024-5-15 00:00
) `; ]. M, Z1 L/ n$ J7 U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 ...
, x- K* m! ~. ~! O; D$ H) A

6 ^. m4 ~2 y1 Z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 03:244 z+ x4 A' Z+ e3 M# s* e1 [% h
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 ...

( a7 o# K) s& |, k7 e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