|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑 8 V! U P) Z7 d: v
& I, F6 [8 z5 W' r& q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”。: g& Q/ Q, x& v
! u. M8 a. `8 y1 d# a, a" E% \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。
, Q' |- `$ u# ^6 ?% j
M2 q T3 G* ?: U1 {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。
2 e' K) Z. L# R5 ]9 ~9 I; A6 k/ O+ s$ V' V" {8 D
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。
+ G$ [$ ^( g# R- h5 B# s/ N' E3 o* }
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。; L; Y' |. a; g7 m! }4 u5 X
: P% y; R) u; w& ^0 T4 }' \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。
: z* e" a+ U/ O$ {; j" a, n+ V( o g' o$ u. q, c7 E1 l; h$ {
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。! w/ a w( z/ Y$ L! ?) W
C" h+ ~! h" ~* F) D9 u5 C
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。- |3 p6 C! `" s( y3 `% ~
. h" ?! Q7 o& B- l0 s& b ?3 \. S
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。
% ~3 A' ]3 c9 q( t. V R H6 d
) A( M; I# ~8 D- u! K A/ I0 |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。" H, o6 l1 a; j/ r! t
* \/ w# b& Y) y4 g/ A3 f& H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。
; |1 C7 B) O* z- N
* |9 F4 y' p) a+ l8 ^! b' }在实用中，常常还是黑箱为主，毕竟方便。; s3 l& n0 Y% {4 w3 v, v! f
5 h% }1 _: V# @" m: v3 `0 x4 A/ ?
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。& _, X d% R+ _) K$ j
3 n$ F9 f, Z( h
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？" j3 b4 A1 }3 T2 U0 J
7 Q. W! y" t, l: f0 H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。
5 U2 e0 o/ m5 v5 v D' ^
- I" s% R/ T0 t5 i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。: x3 k4 p1 y! ?+ |. M
+ F& u6 L+ c s. V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”。
$ Z7 k9 |3 R5 A( I+ i. }8 u0 T
' v: s5 f# M- ] V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。
" b# J& D4 ~( F& r2 D; e; O# [
/ L: q+ m& o1 g/ I7 Y. 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。
( `' Z6 v0 p9 A5 n: r- P2 T& K* y* d* V4 K
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。1 U4 n3 | l6 G8 l# R7 g) t5 R
1 j0 w# r0 x5 S* E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。; _, \" [1 C% Y+ N' q! `
6 T9 z9 ~) c# T- _4 M, Z8 x% w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。# p y% G3 J# d0 @
1 O0 O; w" H/ A. U张东团队的成果如果能白菜化、普及开来，功莫大焉。& k7 Z1 }+ T0 s3 A, q
" S- e- n* B! ~- G: r7 Z
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
