|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑 * J8 p; c# N6 M/ i6 [' F6 f
% y9 v7 ]6 F9 {- l7 q5 [9 {, H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”。
+ Y, V- J( k- D- a# A. F8 z$ ]) w
& o9 c8 r2 g; c5 s* g3 B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。5 |, q+ z! |' ]/ E, ~" L/ ?: |
' G6 `. Q2 f; o; T/ E f* q
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。 E! J- J" _3 n' Z) }" f9 [
- f/ q# B) {3 w, Y
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。0 l8 Q$ C& u& y
' U9 ~+ V# I; ?$ N
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。
" s# ~7 }1 i0 z) n3 p1 B9 _) e6 I$ h$ p ~, z( d6 X8 Z9 K* z2 V& q/ P7 e
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。
9 v$ _3 u7 H# Q8 [' k' f2 L& j1 g0 Z6 L( n, 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。, V% c8 j, }9 [
0 l# P. E& q& H9 J
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。2 ?5 A: u/ W* `8 o( M
. H, N2 S& Z7 @- x3 I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: {0 u7 k! M3 C2 n! a8 J) S
; _ J# ^ O6 W \! D
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 D2 `; X/ L- W
( Q/ m, K& u' Q2 q+ ^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。
) b F/ i+ o* K; d) ]" {2 U! T9 ?( w/ Y2 a; P! \& N [
在实用中,常常还是黑箱为主,毕竟方便。
1 R. c; l' o( ~7 D
7 v( F& l" ?; Q4 JAI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。
; u5 e7 w' r+ ~3 v! p6 r4 _! B$ x' ]& y; z
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?
: R: J" K# K4 O# `) S
8 W# ~. h5 @7 Y5 r/ o) X' R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。
$ _& n# {, c/ W
! ~* j% s6 w0 y, {9 \+ U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。0 A; X1 a+ Q- M+ @( V. C
* T4 k( V. v2 I2 q- @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”。# P H. a3 s& Y, m' t
/ \5 ]+ `6 V* z% p. x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 M# m3 Y' Z; `$ X- |: {( P
" s2 u5 N" |% d3 R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。3 _, [% U3 T+ {( p1 u1 W% z: I
$ S$ b9 `: A% J& u; R i, R/ C
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。
6 k3 O/ \5 e' l) U$ _/ R& K& A* R2 p( `: ?3 F
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。- X9 T9 S8 b) D# L4 c: [: C
; |( {5 z9 i/ o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。
: I1 O0 X. W) G+ x- ?4 J* @5 u Z L; A# Y* |
张东团队的成果如果能白菜化、普及开来,功莫大焉。' e8 C) u9 P9 U# P5 T8 n
! c* c- V" q7 |# C, J
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
|