实验的分析
最近在写小论文，做实验，关于检测和分类医学图像中病变结节的良恶性，跑了几个模型，经过一些分析，我发现深度学习训练出来的模型看起来“很聪明”，能够完成一些智力任务，但事实上只依赖于从图像获取的一些微妙特征。比如我测试一张黑洞的照片，模型也会将其定位成病变的结节并给出分类结果。
对于医学图像来说，结节是处于图像中偏暗的区域，我猜模型很大程度上其实只是在图像中央找到一个比较暗的封闭区域，然后将其定位成一个结节，并通过大小、外形等其它因素给出良恶性的判别，这就是我们外表上看上去的所谓的“智力任务”。一旦条件发生一些改变，比如整张超声图像中比较暗的封闭区域有多处，那么很可能模型就判断不出来或者会检测出多个待定区域。（到时候毕业答辩肯定不能这么说，各种高级原理强行解释...逃）
黑洞
医学图像中的病变结节
学习建模
由此我联想到一个b站视频里讲的教育问题。我们在学校学到的知识，和企业需要我们掌握的知识，不是对等的。作为学生，我们构建的学习模型只是局限于考试等各种卷面场景，以达到最大分数为目的；而企业则需要的是各种实践能力动手能力，以达到完成工程需要、为企业谋福利为目的。二者不是同一个模型。
在学校，并不是老师想教什么，我们就能学什么，而是最大化某一个奖励机制来帮助构建我们在学校的学习模型，但能最大化奖励的模型并不一定就是教育目标的模型。就像实验中的判别模型一样，并不是我喂入图像让它学习，它就能准确地判别每一张图像结节的位置和分类，而是通过某些细小的特征去减小 loss、最大化目标函数。
哪怕是“三短一长选一长”这种毫无意义的做题方法，有时候也会被作为最大化分数模型。不仅仅是学校，家长、培训机构同样是这个系统下的参与者，其目的都是为了最大化学生的分数。
有时候我会好奇，为什么学校不直接发辅导书，而是非要发课本让我们学习，课下反而还要另外去买辅导书做题。现在想想就是因为编写教材的专家和编写辅导书的专家想要的最大化奖励机制并不相同。课本是教我们一些实际的知识与理论，是构建教育目标的模型，而辅导书则是教我们做题的套路，帮助我们构建最大化分数的模型。
回到最初的问题，当我们离开学校后，当初在学校构建的最大化分数的模型并不能帮助我们更好地找工作，以至于处在一个很尴尬的局面。学生没有足够的实践能力和编程能力，只会考试只会写报告。企业一方面靠分数和学校出身筛选人才，另一方面，又希望筛选出来的人才具有解决工作中实际问题的能力。这种教育模型与就业模式的不匹配，使得很多学生秋招失利，甚至花钱找培训机构学习项目工程能力。
如何改变
其实很早就提出素质教育改革的口号，但效果并不明显。之前说到，升学的目的在于筛选人才。那么不管怎样改革，不管怎样限制，随着时间的推移，升学教育系统最终一定会演化成最大化分数的模型，而不是教育目标的模型。只要升学教育的目的是为了筛选人才，那么素质教育就可以等同为能否通过改变奖励机制，使“最大化分数的模型”约等于“教育目标的模型”。
如果无法保证能设计出使“得分目标”等价于“能力目标”的奖励机制，那么最合理的解决方案恰恰不是推行德智体美劳的素质教育，反而是推行降低学生得分成本的应试教育，也就是高考。
只要一个系统起的是筛选作用，那么系统内的个体就无法跳出“最大化奖励”的行为模式，但只要这个系统脱离筛选目的，我们就可以自己通过明确输入输出，来构建自己的学习模型，从而改善上面所说的情况。
但社会需要筛选人才，所以教育只能分段，一个是负责人才筛选的义务教育阶段，一个是以实用为目的的高等教育阶段。很显然问题的根源在哪儿...
网友评论