|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
, @4 o' M% N! F3 _
( m5 V9 n' I1 p/ s+ a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”。$ ?' C$ t+ p& v# I! h- l" \
5 _1 Q `/ n/ A
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。
, X& T5 z; |; w5 H! D( q: R; v! {- [ J# c% }
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。' u/ P5 Q; B4 i: _' m+ [
% `/ P8 ]3 C" |& {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。6 h! y( F/ a* M; ^8 |; N9 E4 ~
" N. E2 _$ w! {+ 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。/ b, L9 K+ R, ]! l3 R0 H+ [! q
4 c( m& d3 e2 C D2 G' h) c8 Y
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。
8 `+ \5 j3 c7 C! w: x& s
0 ?' Y! ]% F3 K; w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。8 B7 Y1 v' f9 Q& x& |& D5 @3 ]: Q
2 |9 |& m. V1 e4 r' y
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。
" a& B9 M6 Z4 X, p6 n4 `" i1 R( o, s( o: I" U
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。0 Q" ?; S6 P! Y' P* [
0 R' I( n; f. `% p$ 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。. s' x9 y* X1 s$ W
; T* e; z4 V% W. D4 g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。3 |# s, K9 Y! u
4 N4 Z6 Y& y, p8 J( x8 X
在实用中，常常还是黑箱为主，毕竟方便。
! V: N K' I# y F' ^% h" a. O) R6 ~( m. W- f' N
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。6 |1 _# s. n$ i @& y
6 ]# V$ X% b. o! |+ v- W4 s& M
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？
+ K! N3 z4 b& k" |2 o( k1 L1 {
6 A; e( K) w' M, R: M. C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。, L7 [# y+ x4 _/ [, ]' ?: A+ u5 T
. M" U6 h* U3 @7 f5 _
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 C- f# v2 z6 V9 J
& e! S) L9 x6 E( [! V. 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”。+ t3 Q' X5 D: X' |5 X/ |- y" ?
f6 A+ A" Z9 v' o' D
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。5 i& x. t' ?8 ?! n% Q: Z2 v
( D8 x L2 S5 }8 ]7 b7 Y6 A7 j3 \
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。
& N& \! V9 q# p: q4 u, W) \, Q8 ]' \/ M
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 U9 H" k, |2 c6 n" P, o3 O+ w1 S& V# G N! Q
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 J+ j" M v% W
; }3 g6 a5 }* c W5 G0 [. F! B0 i
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。6 [4 x/ n0 |1 H1 ?0 q0 O
" r# Y: |1 M; |+ \, a/ J7 y张东团队的成果如果能白菜化、普及开来，功莫大焉。9 e) M& n6 p1 k7 U C: [6 j$ D) M, r
( ?+ y8 f2 _/ K4 c, p
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
