|
|
本帖最后由 晨枫 于 2024-5-12 00:20 编辑
* c6 L9 W4 A* w+ ~9 d( z2 [) \' W* R. B# D) M" Q& s0 A' I9 G2 w" t7 V
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”。
8 u; u' b: }' _2 y, w" k- W) v( S. U# b5 w0 d7 e' 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。+ c) D* S! l/ P0 ~, }
( \0 i; i: ]! H5 o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。
3 R: C+ t* f, g4 L1 |# _
& m5 l% X* x+ o" q( T( J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 `1 i- V7 v, ]3 _ Q+ v! l; W
2 h# S8 d: H- |8 Z( j
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。
7 r1 S, u7 K9 i7 F9 ~
( B* M) K1 P; a9 L2 A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。
! q! Z3 D" i1 ~' A6 T9 l
5 j! B! M* U1 ?1 V+ T' L) d7 k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。
+ [; v$ g1 V7 \/ ^# u6 S: A
1 W# p! C1 }' `# `& x& L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 U9 c, ^+ u1 x1 ?$ {, i0 g$ W( h* r9 q7 N; j c% y
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。8 [8 Q1 h9 O; i- L6 `- b' T
' P5 ?5 P u2 G4 \. P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。
1 Z$ F# S$ |" `0 D& p
$ K3 f% L; s9 g6 Q7 ^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。
9 A4 H5 P+ d' U8 L; d( ~( s, ?5 A+ \' ?2 B
在实用中，常常还是黑箱为主，毕竟方便。
f- [2 W7 g6 u# Q6 {' W3 C, H* N0 x% D/ j6 l% f
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。
* u& Y: `* i7 t: I4 d) `: l2 J" D6 e& d. d( e) d
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？
u& v. P: b+ f; [/ Q& |$ w' e) l- y. k. ~7 b8 P9 |, i. e
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/ D4 g$ F5 ]7 n- Y) A
3 T6 y3 U8 M& o* w# R0 O+ \: Q5 e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。
/ ` B& c) @; \6 m& } p. m& Z# c6 z! M" D/ ?- }/ s5 N' j
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”。
2 J9 A1 U9 e1 ~, c' g& l3 H' R! d7 s' h1 o3 \7 V8 h+ F
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。
% D5 `' d5 j7 ^ a
4 a) H+ {0 |. B/ B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。8 I$ i% a G6 N( [
: y ?' M y$ V( 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。
8 Q$ l$ Y. M. D- [9 `; ~- i4 q; A- l; t% B3 h7 k. V
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 s4 H8 I. i/ ?. b2 Z
$ H( z1 K5 O) H' q! g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。
" O- k+ u; L4 `" A1 U3 e
% B& B! r8 D- \+ ^4 G( m. R张东团队的成果如果能白菜化、普及开来，功莫大焉。; U" J4 b3 I m! c' p; m
/ [7 w& m8 r$ F3 T$ d; U9 o( |# L/ |" u
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
