|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
& _5 q" L: {! w Q& ~2 [
/ z7 f+ c* D+ F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”。6 r7 P9 l9 c/ k! I
5 u$ w* e7 [1 U4 {" [* F- Q; C+ j2 L
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。 c8 K9 Z% W) I
; i" W! i2 P, P( f9 d9 U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。
& N2 @0 y. t. i- m5 x6 ]1 N3 H% B; i& c0 Y
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。9 n ], U( t$ a. E
& L( U$ t$ I- M$ \/ k. P: |: C) r
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。) Y& X$ V2 X8 `& w
8 y6 j0 k/ L, z2 `7 k* h! }# 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。
# W1 q. F# V- F0 z
- q2 Q+ W* y- u9 O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。& P5 u# b+ V8 T1 W4 h
3 G, g+ F5 w, Y/ ]; ], V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。5 X: F3 x* g) K4 i
6 g5 w) @% i4 r3 t
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。, X# ^! C! w+ r7 R& t! k
: {& K& | j+ u% a5 G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。. F: ?: h* G, @4 U0 a% h. S. K
2 Y, I, |% o( \2 N9 }$ R' u7 W
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。
/ M( h3 s w/ I3 c* S4 O, R- u. A/ \* K
在实用中，常常还是黑箱为主，毕竟方便。; d6 ~& f7 `5 b$ ~
* _5 e; l2 s8 N6 dAI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。# l' M% B$ y5 l9 @( w4 [. D1 p
4 t/ B% H# p* ~! n1 S. y
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？4 s c S* a/ e. |
6 _. P; U8 L1 m- f
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。
* l* M: Y6 @) ~! u- y4 {
! s$ s7 _+ L! \* F6 V/ o; n& X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。
1 Z1 J, S& t+ q, ]; q$ t: u# j# S# z1 G. @& R r0 m
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”。, ^8 s$ w. Z; ^7 N$ j' g: D$ W9 s
7 N/ A) o* n, w) d" H( b! L
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 \: u5 k9 B9 ?2 F
& W) T! l5 V+ B+ c5 M, q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。# O. J9 ?) E7 o2 H9 a
: J! s, s* O/ @8 R9 |
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。
9 G) H3 V$ E4 J& J4 N1 I- n0 j! M0 `
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。
' v5 ^0 ]" Q/ J1 G. C8 v$ W, |5 C" A e
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) ~( k+ D, h- ~1 T
' i) ?; d9 ?7 b" f: E1 N& |' j. O张东团队的成果如果能白菜化、普及开来，功莫大焉。 E7 ^' o% y/ c+ Q1 t
# j U) \4 N7 K7 D2 s
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
