|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
- x# F( f. R# c# U
5 {+ r* G& H5 P* w' y# 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”。! V7 l" A* O$ m
2 y5 P& D- O: Q$ r8 U
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。* e$ W& Z2 w) _8 c7 d- z+ P$ r# [
1 K& }6 Y" y+ }- ~- i# p) V) `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。
, }: M6 y1 R. t8 q3 S5 ], Q0 t) @! s1 E2 T- s
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。) U$ H I. P8 m5 M+ Y5 d
7 z, {* U$ `, B# {8 s& O( D
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。
9 T/ p" Q& x, i$ A9 ^# Q3 L, m& L* @4 _- D9 y) X" J$ L/ {
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。
1 W6 w# V, a" @/ q& v9 T5 g- V0 s7 Q6 X) D8 a+ |$ h4 a
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。! U/ T2 M" Z/ ^9 `
" M8 A, @& T0 \1 k* s8 {
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。
8 m" q+ r e: `$ g2 @( d% c* Z) {. C% p: q
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。+ F7 T/ J! C, ]
$ i1 O. y2 I: `! v7 Z
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。
& X0 Z" x, R* b: v7 {4 q! t9 @5 c9 ~/ H) K4 W. y* w; 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。
' M7 S C- F# X: m4 @
# R6 J+ G) f' E2 L/ \- T在实用中,常常还是黑箱为主,毕竟方便。
' o- P% W8 \3 _3 w5 E4 K' b+ l8 c3 R+ `' A0 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。
/ b9 w- h: M+ @6 Q& z1 _* a( \1 c0 k: Z f
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?( ]+ c: U: e' U
) i/ V$ \9 n7 J; q& ?
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。6 u# C2 A, Z$ N5 I
/ ?2 B! b# j0 m: U4 {" 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。
! m$ \2 q' h' c, U0 ~ _+ s0 G
. I ]2 \0 w3 k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”。
, X9 q/ E: X& z r8 S7 D2 u( c. m- G# Q% D+ C1 X2 Z4 `, I0 r! u
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 p8 ]' w; R c
9 h/ |& w1 q- t' }
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。6 {! A5 x4 w& `9 _ A/ F$ P
5 ~: V2 I# N+ z0 r' A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。# n& U6 k2 w+ g6 \ J% m7 l
2 S. j' J, 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。4 h, f2 @8 i1 u# C7 ^' a* O) K
9 H5 c, t# I9 |! q' j' r* b
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。: S+ W/ {* o0 ?/ ~$ b+ z4 i
0 l6 D+ F( |5 W张东团队的成果如果能白菜化、普及开来,功莫大焉。5 Y* S0 ]; @9 F4 }
$ ~6 o0 d) p3 {+ N h! g9 q1 @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
|