Israeliska matematiker har bevisat att konstgjord intelligens långt ifrån alltid kan hitta mönster i datasätt eller ge entydiga svar på frågor. Deras resultat presenterades i tidskriften Nature Machine Intelligence.
Moderna maskininlärningssystem och konstgjord intelligenssystem fungerar på en mycket enkel princip. De lär sig gradvis att "se" vissa mönster och att skilja korrekta svar från felaktiga med hjälp av omfattande mänskliga beredda databaser.
Ursprungligen användes denna metod främst för att skapa bildigenkänningssystem. Därefter visade det sig att det kan tillämpas på nästan allt, från "kreativa" AI: er som kan rita och skapa musik på egen hand, till AlphaZero-maskinen, som kan lära sig utan hjälp av människor och spela flera brädspel, med kunskap om deras regler.
Sådana framgångar, konstaterar Yehudayoff, har tvingat programmerare, filosofer och matematiker att undra om denna metod för problemlösning har gränser och huruvida en extremt”allmän” konstgjord intelligens kan hitta ett mönster i valfri uppsättning data och besvara alla möjliga frågor.
Israeliska matematiker försökte ta reda på om detta verkligen är så genom att analysera de mest allmänna versionerna av olika matematiska problem som aktivt löses idag med hjälp av maskininlärningssystem.
Deras uppmärksamhet har uppmärksammats på versioner av konstgjord intelligens som försöker förutsäga maximala värden med ofullständiga datasätt. Till exempel försöker sådana maskiner gissa besökarnas preferenser på en viss webbplats och välja sådana annonser som skulle vara intressanta för de flesta av dem.
Genom att presentera detta problem som en samling av flera stora och små uppsättningar, fann Yehudaioff och hans kollegor att det liknade i dess beskrivning som den berömda Gödel-satsen. Redan 1940 fann den berömda österrikiska matematikern Kurt Gödel att alla formella system, inklusive matematiken själv, är ofullständiga eller motsägelsefulla.
Med andra ord betyder detta att för maskininlärningssystem såväl som för”enkla” matematiker finns det problem, uttalanden och frågor som varken kan lösas, bevisas eller motbevisas utan att gå längre än dem.
Kampanjvideo:
I det här fallet är det till exempel omöjligt att förutsäga om konstgjord intelligens kan "tränas" för att idealiskt matcha annonser med kunskap om preferenser för endast ett litet, godtyckligt antal besökare. Beroende på vilka portalbesökare som kommer att inkluderas i det här exemplet är problemet både lösligt och olösligt.
Som forskare betonar, från praktisk synvinkel, påverkar inte denna upptäckt på något sätt hur aktivt konstgjord intelligens kommer att utvecklas i framtiden och hur väl den kommer att lösa praktiska problem. Å andra sidan antyder förekomsten av sådana begränsningar att det blir mycket svårare att skapa en universell "tänkande" maskin som kan lösa några problem än forskare tror idag.