|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
) |% o# f! ]9 X; M- @
5 V7 }6 ~3 `: [# T# 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”。9 c/ }4 U" l! T% Z$ z. w
$ x9 Q7 Q3 J3 X" |. n% \9 I9 S
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。 c( D, S3 l; N; p3 \# k
% l7 i2 t. e, U( b- @7 I& o! j
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。
: x3 T' P; z0 C8 r- }! u! H, w7 o1 j4 C& u$ m/ X5 r
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 e+ u5 M$ z& }: y. Y# [9 y1 c2 m5 b
- P% K; y: ^3 C4 W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 A2 j0 y! ~1 I* y% Z6 i. a7 q# ^! _/ a/ m( ?
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。% S5 ?9 |+ s9 A4 W* n/ N
4 U; `' \( [; ]; i: l2 b5 q
灰箱模型的结构有一定的物理背景，在结构上就决定了模型行为的基调。如果这个基调定调正确，加上训练数据，就可以建立比较可靠的模型。即使在数据边界之外，或者数据“云团”之间，模型结果也不会太离谱。4 c, ^, o" ~, g$ c
# v3 j. _0 p, g- t5 x# `) V* v2 u理想模型也叫白箱模型，这是根据对物理过程的认知，建立机理模型，再通过实验，确定模型参数。由于这有坚实的物理基础，只需要相对较少的训练数据就可精确确定参数。而且在训练数据的边界之外或者云团之间，精度和可靠性依然有保证。) h# w5 @6 e) I/ A& g3 ~
# x* m j i' H9 ~& P白箱模型是可遇而不可得的。真实世界太复杂了，要精确理解和建模对相当简单的过程也是艰难的事，最后得到的模型也可能在数学上非常复杂，使用不变。比如说，水壶烧水是又简单又复杂的问题。如果用黑箱模型，选一个线性律或者平方律，在火力、时间、冷水温度和沸腾时间之间通过实验或许足量数据，然后用最小二乘法，就可以得到一个黑箱模型。在大部分情况下，这模型就够用了。4 z$ T5 N! ]3 j$ B2 F( k
3 ^1 I; q3 r V4 ?. K* c% ~用灰箱模型的话，就要用到传热、材质等方面的知识，但模型也更加精确可靠。
( W9 J' b: l8 c/ l( T7 g% G% J% o# @, f$ X6 c) f3 N
但用白箱模型的话，连壶底的热分布、壶体的热传导和散热、壶内的对流循环、水中杂质对沸点的影响等统统要考虑进去。模型更精确，但建模就太复杂了。( ~ s! o3 D- g- s
& n/ {. e. Q: H) \) ^ ]在实用中，常常还是黑箱为主，毕竟方便。
+ d% T( F/ k4 m% W0 F
1 f3 O( r8 {& g7 Z- t. E- cAI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。
. s: P- d# G6 k( w- R5 N. r: {: K9 P 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？
P4 _# w2 z: n! w6 x5 H+ m1 y$ M" j
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。
% k2 w; K; J3 b; O" }- a Y: V ~! Y# Y# G6 K6 Z
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。
2 x$ v) m: q4 [/ g
) S0 I9 k: {/ m8 u; Y X, 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”。
1 R+ f. ~& k: {- q4 D7 `4 |2 L2 R- H0 ^8 }+ S( @; b
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。8 S% G" S, U2 p q9 J* g- y+ U' @
$ F$ H" c6 ~% m0 n$ Z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。
- ]: w) r$ `! D: P% [9 m% M& W0 a% X; j5 N# t
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。2 L- u5 G" E5 @$ j
* N% o" d; |' |* d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。
% N ]1 l. v7 f7 A" K6 n
. Y0 H% J* T) x( e+ B8 ?. X2 h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。4 V* O9 L: I3 X; x
+ W# R/ M% l9 U0 H3 I$ b张东团队的成果如果能白菜化、普及开来，功莫大焉。) h. t. D c/ `$ _+ p: Y8 ~
8 b! I/ y- o: W; v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
|
雷达卡
楼主
收藏
分享
淘帖
支持
反对
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
抢沙发
千斤顶
显身卡
发表于 2024-5-13 04:22:37
