|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
; K$ d8 _& Z$ S5 C& Z( u3 D- j) x O+ x9 E
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”。
4 t* y$ M$ i/ z0 I6 }! O3 E# X% q
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。
0 X' a) p7 l* _ e4 T' v
$ B7 Q4 d* \( J- m8 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。0 v6 m3 Q+ |1 @ [6 ^6 Q A
- R2 F$ x8 N+ c+ S! H y0 [
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 v3 `8 A; g$ B* ~, M& I3 V* a" b& Y2 {9 ?" ~; j- c
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。; j9 J% }" J" j
0 a2 a8 B5 _. v" 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。3 Z/ {- e* R$ t% b
% b; \: E# S. a& `# j1 {
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。9 w' U7 k2 Z( h) N2 ~& j
/ s( H5 n; l8 ^4 O A; f
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。
) O: |) M3 ?0 K0 J
0 V- L2 Y7 K; U" D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。& t( S! k2 o f+ S1 X2 J
1 _! n1 ~. w' u, [$ I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。
5 u" w8 @: k# W F1 o* e, h$ I+ v. N+ v( L+ p$ V3 T
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。
; X! ~( A4 D1 Y) g* N' M7 |% ]* @, C) ^8 h
在实用中,常常还是黑箱为主,毕竟方便。; p9 f$ e. a! R+ w8 b: q- }$ E9 V
$ f4 H y5 [. s# Q) TAI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。
3 O6 ^( l( r/ N4 b5 H$ X+ o" ?, d8 P6 p$ k8 ]1 D L
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?5 R8 ]* _* X1 E; N. Q9 h0 q
5 K8 u7 ]0 g9 O& \% h! n& 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。, g# Z2 W% F6 P3 H* D/ _; x
0 X( N* l' g. G: H
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。
$ A! F- o' G/ ^$ u3 q8 `6 E1 F( {# m& 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”。0 v, v, V$ n$ W0 Y
. D" E7 ~2 ]: y4 c* I' v1 M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。
' P+ E J8 b( z
/ d9 b3 c- f2 v& k/ b2 v5 H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。7 ^$ y3 A }0 J) {$ _7 ^4 T% P" h
: W/ n) p" q5 M6 g4 | S% 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。
& G3 M( e+ F t1 g6 p1 c& [, q; W3 ]; l/ V: {8 u. w
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 i- T, }, u7 ?; b. z! l
9 C; b- b9 J& ~" s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。* [! X/ w/ q5 t2 c3 Q1 }
. B- K+ M. I8 H
张东团队的成果如果能白菜化、普及开来,功莫大焉。
( _% |6 y- `- w. R6 t
+ D* n% s6 @ w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
|