Israelske matematikere har bevist at kunstig intelligens langt fra alltid klarer å finne mønstre i datasett eller gi entydige svar på spørsmål. Funnene deres ble presentert i tidsskriftet Nature Machine Intelligence.
Moderne maskinlæring og kunstig intelligens systemer fungerer på et veldig enkelt prinsipp. De lærer gradvis å "se" visse mønstre og å skille riktige svar fra uriktige ved hjelp av omfattende menneskelig forberedte databaser.
Opprinnelig ble denne tilnærmingen hovedsakelig brukt for å lage bildegjenkjenningssystemer. Deretter viste det seg at det kan brukes på nesten alt, fra "kreative" AI-er, i stand til å tegne og lage musikk på egenhånd, til AlphaZero-maskinen, som kan lære uten hjelp av folk og spille flere brettspill, og bare vite deres regler.
Slike suksesser, konstaterer Yehudayoff, har tvunget programmerere, filosofer og matematikere til å lure på om denne metoden for problemløsning har grenser og om en ekstremt "generell" kunstig intelligens kan finne et mønster i ethvert vilkårlig datasett og svare på alle mulige spørsmål.
Israelske matematikere prøvde å finne ut om dette virkelig er slik ved å analysere de mest generelle versjonene av forskjellige matematiske problemer som løses aktivt i dag ved bruk av maskinlæringssystemer.
Deres oppmerksomhet er blitt vakt på versjoner av kunstig intelligens som prøver å forutsi maksimale verdier ved bruk av ufullstendige datasett. For eksempel prøver slike maskiner å gjette innstillingene til besøkende på et bestemt nettsted og velge slike annonser som vil være interessante for de fleste av dem.
Ved å presentere dette problemet som en samling av flere store og små sett, fant Yehudaioff og hans kolleger at det liknet i beskrivelsen til det berømte Gödel-teoremet. Tilbake i 1940 fant den berømte østerrikske matematikeren Kurt Gödel ut at ethvert formelt system, inkludert matematikk i seg selv, er ufullstendig eller selvmotsigende.
Med andre ord betyr dette at for maskinlæringssystemer, så vel som for "enkle" matematikere, er det problemer, utsagn og spørsmål som verken kan løses, bevises eller motbevises uten å gå lenger enn dem.
Salgsfremmende video:
I dette tilfellet er det for eksempel umulig å forutsi om kunstig intelligens kan "trenes" for å ideelt matche annonser ved å bruke kunnskap om preferansene til bare et lite, vilkårlig antall besøkende. Avhengig av hvilken portalbesøkende som vil bli inkludert i denne prøven, er dette problemet både løsbart og uløselig.
Som forskere understreker, fra praktisk synspunkt, påvirker ikke denne oppdagelsen på noen måte hvor aktiv kunstig intelligens vil utvikle seg i fremtiden og hvor godt den vil løse praktiske problemer. På den annen side antyder tilstedeværelsen av slike begrensninger at det vil være mye vanskeligere å lage en universell "tenkemaskin" som er i stand til å løse noen problemer enn forskere tror i dag.
