|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑 7 W( s ]# z4 E3 Q; h+ {7 o; F
7 u8 h) v6 R& [ d, I& O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”。% a. y) C. ?' y' n; S
6 N( }2 M- H: w" m# x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。
# O5 y3 Z& }4 {$ B+ _* [; D1 ]. M) o' t+ R) ~$ E& L
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。. D: l. O. x( k7 |* o) @
8 G5 g) ]+ T3 V# b6 H1 R2 i9 U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。
: c' U2 d% x$ F! ?0 a! T2 F3 [9 C' \3 Q& l7 p3 U
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 a ^+ N- J& |0 R H# A o) P* u E7 X- r3 T
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 }" c4 a. \6 M8 M8 q1 e% V) H3 r
' o/ k) c# B6 t6 E- r
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 O+ C- V( M; \: r% c( U7 R! e7 X2 H) G/ F1 r( a! c
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。
- j% f/ O# P1 E" y- E& D9 ^( a: G4 s
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。
; ]# A9 a0 i0 G; @7 d. m+ y; Z* i* o/ a4 t* X* e: h
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。( }! G$ z! g Q* K( S2 D9 K% W
( w) `+ b9 Q) G) ]7 J# Z2 `7 \
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。) t- |3 l/ y8 m( t
! ^7 p( B2 [- Q6 I
在实用中,常常还是黑箱为主,毕竟方便。
; T1 x2 O& u& a* ] q9 k6 e6 s. f4 p& m& O3 M" V; V; m# W" d
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 V l# p8 r7 t$ d3 V, _1 O
, t% I, G; N8 s0 R' C1 l( S; Y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?
" j+ K6 H$ B" x3 J5 r" L% r+ V" T: k: ^; z3 _1 f0 k* O O
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。; @9 x2 B1 R# I7 I& v" M" h! D( |
# T n0 [$ j1 j/ ~3 Q. H6 F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。, u; r$ l, U: T$ m0 }
" h( E# N, z5 g6 C4 S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”。9 `* T& Y: l+ c/ p9 U T K# ^
! n) ]! |0 Y& V; _( E$ @# P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。
* e* W5 r- |' Z9 j4 K7 {' S
, n2 d" Q) S9 A, ]% Y6 v3 V# D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。0 ?# r% Q. C% ?9 |- q/ w6 H; R* U) L
6 g5 d3 m& G p- G" y* _8 O# n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。
* Y4 t) Z5 W# r' _- ]/ X
* J" N( H- C5 k# G) h, S7 t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。
- S L) U* j3 `, l2 e+ b
+ N/ @9 b( Z- C8 c4 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。
# f9 w9 U t7 j" F7 I1 I
. h+ M$ T) Y* l4 u' A张东团队的成果如果能白菜化、普及开来,功莫大焉。, i H! ]% B. ^- V
V; P+ b% V. U: i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
|