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 , L& m- q4 z9 h; q

- h5 u  O- t4 K! m+ \# A0 K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”。) ^) ]1 H' @# N6 d# r/ l
" @" i- t- n8 U" W3 o! |
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。. N! b3 x5 H+ n

4 T4 h+ e  ?. e( j+ h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。
- ~! K% E9 {0 `* X3 q5 D
# o, _% a9 O  {1 T" `. q7 R5 ?1 p2 {# 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。6 r& h5 z" ]1 p2 ?" W7 Z( c1 J
0 Q: z% L& h- d  E8 v% R
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。
# w8 b. G3 S# u$ r4 O% Y1 a2 K/ Z
# i0 Q3 N6 v% `3 z: `  N9 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。) u( j; u$ B$ R* V# E9 }: q! z  ^
2 N: S6 Q, f! q0 o" W8 V, Y
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。
4 f' ~+ W6 J% ^7 L4 K; x6 r
4 \( f3 \( E, q- G2 j* W3 G3 A1 d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 e8 R3 s4 p  Y+ {

0 L2 h$ v( x7 g; Y9 V9 \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。# q5 Z* D$ [1 e, e# X( @& E: }; b
: V6 }. u  v1 y' I5 [
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。
  i$ t" g# }9 f' P+ h6 ]* Y& o4 V$ R8 k% N
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。
  _  E: r, F0 [) G5 K4 a
$ s; }6 b, n! z: U在实用中，常常还是黑箱为主，毕竟方便。; D/ l$ S# J" {0 f$ j
1 H- f+ N6 q+ M7 I8 B
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。
* B3 m; O% K& [# J8 `+ l5 z/ o( ?( l! p. }2 P
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？
" n* o5 U, r% V# P: I. N0 {3 h; k( a1 t- s2 Y8 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。
7 b6 m8 o4 ]5 J4 K% N* \# c3 L0 q  u1 ?
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% U: ]& d9 o( q5 W* f" ]" J
8 O0 {& f+ C2 J- 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”。% X1 z3 W+ d9 Z. t, ~7 ?0 `9 a

% |& F4 x; X2 {& d) r) J5 c( X1 H0 w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。+ T: N0 N1 D9 z6 w# s, {1 t& ]; Q, N# a$ e

& e$ _2 P7 \% v5 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。9 x3 J# W; q* q
7 A5 H# d) t5 p) i8 \+ ]
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。, j! j; V3 X1 p7 j
0 ?& h5 j7 i8 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。2 O$ I8 p0 H+ T% l8 v
+ M; r$ D' Z: c+ 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。* _0 H% Q3 v3 S& p+ i- m
+ R* D3 Z0 R. b
张东团队的成果如果能白菜化、普及开来，功莫大焉。
- E0 t4 U( s3 j* ^* D! g
( v& N* S) Y4 h5 S3 Q5 z& c8 e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 ) H3 z6 d. A: Q! J0 K+ U
2 H, Z% |& W9 N6 u
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。
  _# m* B9 [' M3 d% M1 r  c+ ^
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
# K# |/ j% b4 b% O; v; `, U- x2 s8 e4 g
老福 发表于 2024-5-15 00:00* r# }* @7 Y! |; {3 W
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 ...

- C2 }# \2 W1 i3 v
8 h8 P0 U" E, O! W% w1 z5 b: 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 03:24$ K( `9 {. R4 U, 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 ...

9 k  q% n' w, n) x4 d3 p) G* t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