En grupp matematiker hävdade att oproviskbar matematik är en oöverstiglig hinder för maskininlärningsalgoritmer. Nu kunde de bevisa det i praktiken.
Inte allt i världen är kännbart. Åtminstone gäller detta för konstgjord intelligens och maskininlärningsalgoritmer. Vid första anblicken kan ett sådant uttalande i vår tid av framsteg låta som en riktig kätteri - men tyvärr är detta fallet. En internationell grupp av matematiker och AI-forskare har funnit att trots den till synes gränslösa potentialen för maskininlärning, även de mest avancerade algoritmerna är bundna av matematiska begränsningar.
"Fördelarna med matematik bygger ibland på det faktum att … i enkla termer, inte allt är bevisbart," skriver forskarna under ledning av datavetenskapsmannen Shai Ben-David vid University of Waterloo. De hävdar att maskininlärning delar detta öde.
Hur kom de fram till denna slutsats? Matematiska begränsningar är ofta förknippade med den berömda österrikiska matematikern Kurt Gödel, som på 1930-talet utvecklade ofullständiga teorem - två antaganden som visar begränsningarna i formell aritmetik (och som en följd, alla formella system som använder begreppen i denna aritmetik: 0 och 1, tillägg och multiplikation och naturliga tal). Ny forskning har bara bevisat att maskininlärning är inlåst i samma ram.
Just nu är AI bokstavligen begränsad av oprovisk matematik. Med andra ord kan konstgjord intelligens inte lösa ett problem vars algoritm inte innehåller en "sann" eller "falsk" lösning. Matematiker Amir Yehudayov från Technion-Israel Institute of Technology erkände i en intervju med tidskriften Nature att detta var en överraskning för forskare. Forskningen byggdes kring en webbplats: algoritmen skulle visa riktade annonser för besökare som besöker sidan oftast - utan att veta vilka besökare som skulle besöka den i förväg. Detta är en så kallad uppskattning av det maximala (EMX) problemet.
Enligt forskarna kan rötterna till det matematiska problemet ligga i strukturen för inlärningsalgoritmen känd som "sannolikt ungefär korrekt inlärning" eller PAC. Det liknar också mycket den matematiska paradoxen som kallas kontinuumhypotesen. Liksom fullständighetsteorem, är denna hypotes relaterad till matematik, som inte kan bevisas inom ramen för ett sant / falskt system. Hypotetiskt, även för den mest perfekta algoritmen, är detta en återvändsgränd, från vilken den inte kan komma ut. Matematiker inser att olönsamhet är en börda som maskiner nu kommer att bära. Lev Reizin, som inte deltog i studien, konstaterar att dessa åtgärder "kanske kan lära AI ödmjukhet, även om det fortsätter att revolutionera världen runt oss."
Vasily Makarov
