|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑 % l7 b+ Z0 f2 Q9 k& ~9 V3 ?/ R
# J* I8 N* y/ D6 ], n- r) r3 ?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”。
( @# x: ~1 \& g1 j
6 E8 X- r" |* [% ?. K' G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。
# `( m3 k+ `# z A# T9 L, m. ?' Z
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: Y2 i3 r& \' b4 ]! u
% E+ K; o$ T; E4 w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 \0 l) L* O; ^/ i/ M3 X) h& q& a, j+ j8 F
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。
) [% J4 N9 q+ f' J) I W8 P0 {9 R- r- W
8 A. t; Y/ o' ?2 F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。. o( W' h4 |' L- T! h
1 Y2 _8 h& G) L7 e- I7 s* 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。
$ J5 v/ C1 I) w$ _$ c
4 h2 A$ h. F& m# h+ B4 v* l& Q4 `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。
0 {9 L. ]* N [8 w3 w+ E# R: ?& q: _6 y+ E2 Z
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。
% @5 y" U2 |0 a" Z% y* R, L& [& y1 Z# b# v+ v1 ?
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。8 v! I( L$ _( f6 | Q" v1 S
2 i" ?3 U. Z, J/ N1 |) 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。) u8 n2 u3 D" k: p+ s
3 J" d9 o3 O# ~8 m. f4 V在实用中，常常还是黑箱为主，毕竟方便。
* f a9 G7 w" n. G# \( v5 U) U- I( w3 ^9 h
AI正是黑箱模型，模型结构与物理世界无关。简单黑箱模型多少还能分析一下，对模型行为有一些定型、半定量的理解。AI模型就不行了，尤其是深度学习模型，动辄几十几百层，几万几亿参数，根本不可能进行有意义的分析。
' m' n9 q$ t3 P+ G
! j+ T0 R M$ s/ Y) N4 a: V: A这就带来巨大的问题，尤其是用AI模型进行决策辅助甚至自动决策的时候：如何确保AI建议或者决策是正确的，至少是无害的？5 U8 N! n! j0 ?+ T' w8 o; d
5 C; S! L6 m% {" J/ L在AlphaGo的时候，就有一些棋路是这样，事后复盘的时候，人类大师也看不懂为什么要这么走，也说不上来这几步对后来的胜负有什么影响。自动决策是个最优化问题。最优化好比爬山，爬到山顶就是达到最优了。但要是山包顶上很平坦，到底那里才是山顶就很不清晰。更糟糕的是奇点，像马鞍一样，从一个角度看是顶点，从另一个角度看是底点，算法就容易犯糊涂。还有“香蕉问题”，在两头翘的区域里，算法可能左冲右突就突不出去，要沿着“香蕉”走一段，才有比较明显峰谷。还有就是局部顶点，在山脚下的平地上有一些小土包，爬上土包，在三十步之内确实是顶点，但真正的山顶在前面，连山脚都还没有到呢。
3 L3 n# ^! W$ I$ I6 ?
- R% [) `" I& V C. a% K' D这些数值计算上的问题可能把最优化算法绕糊涂，找到的最优解其实不最优，甚至一点都不优。* i, R* ]1 R6 n+ v1 T9 x/ e( U
( C ?! e; S" b T: U) K人类需要理解AI是如何得到当前的结论的。同时，如果人类对AI的求解不满意，要有容易的办法“纠正错误”。6 \: T6 W1 i" c+ U( O0 ^
# a G+ L9 Z6 y3 E1 s. a% y
张东团队正是做到了使得AI“坦白交代”，用数据、自然语言和图表说明决策依据和过程，帮助人类理解AI，并在人类复审有异议的时候，可以反馈回去，纠正AI的决策路径。4 E8 B. O9 ^* P F% q6 z
8 U1 g& R+ ]$ |" Z张东团队用这个方法，训练AI空战。在一个实例中，AI用复杂的角度机动试图摆脱追击失败，有经验的飞行员发现，AI不顾能量损失强行机动，最后没有击落对方，自己反而能量丧尽，被对方击落。在后来的人工反馈中，AI“改正错误”，再也没有犯同样的错误，而是用貌似蠢笨但保存能量的简单动作引诱对方上前，然后通过积蓄起来的能量突然反手机动，一举击落对方。
3 m# B! e5 L% R- T8 b5 O+ P1 J, t
& A. R& R# i& {+ e* I团队发现，利用飞行模拟器数据，用无反馈的黑箱模型训练，AI要50000轮才能达到90%的成功率；但用有反馈的逐步训练，20000轮就能达到接近100%的成功率。+ U* H- X1 Q, O+ M, D
( ~' X# P& Z- R c9 x8 z4 r
这其实好理解。完全基于训练数据的一次性黑箱模型训练好比关起门来死读书，破万卷书后才一知半解；学一点基本知识后，到实践中边学边完善，进步就快多了。6 g6 i: A7 r$ j* G' \) o# z2 p& O6 `
: T1 @9 S# E4 o% z
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。
2 R6 @- h9 `! e C8 e9 A ~6 E0 T
5 L2 c& q% c. j N+ x3 y张东团队的成果如果能白菜化、普及开来，功莫大焉。
1 e# u% l/ a3 u, ^' e/ f; L
6 f% e9 A7 D k& N. Q3 l& A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
