Izraelski matematičari dokazali su da umjetna inteligencija daleko od toga da uvijek može pronaći uzorke u skupovima podataka ili dati nedvosmislene odgovore na bilo koja pitanja. Njihova otkrića predstavljena su u časopisu Nature Machine Intelligence.
Suvremeni sustavi strojnog učenja i umjetne inteligencije djeluju na vrlo jednostavnom principu. Postepeno uče "vidjeti" određene obrasce i razlikovati točne odgovore od pogrešnih pomoću opsežnih baza podataka koje su pripremili ljudi.
U početku se ovaj pristup koristio uglavnom za stvaranje sustava prepoznavanja slika. Nakon toga, ispostavilo se da se to može primijeniti na gotovo sve, od "kreativnih" AI-ova, sposobnih crtati i stvarati glazbu samostalno, do AlphaZero stroja, koji može učiti bez pomoći ljudi i igrati nekoliko društvenih igara, znajući samo njihova pravila.
Takvi uspjesi, primjećuje Yehudayoff, prisiljavaju programere, filozofe i matematičare da se pitaju ima li ova metoda rješavanja problema i može li izrazito „opća“umjetna inteligencija pronaći uzorak u bilo kojem proizvoljnom skupu podataka i odgovoriti na sva moguća pitanja.
Izraelski matematičari pokušali su saznati je li to zaista tako analizirajući najopćenitije verzije različitih matematičkih problema koji se danas aktivno rješavaju pomoću sustava strojnog učenja.
Njihovu su pozornost privukle verzije umjetne inteligencije koje pokušavaju predvidjeti maksimalne vrijednosti koristeći nepotpune skupove podataka. Na primjer, takvi strojevi pokušavaju pogoditi sklonosti posjetitelja određene web lokacije i odaberu takve oglase koji bi bili zanimljivi većini njih.
Predstavljajući ovaj problem kao zbirku nekoliko velikih i malih skupova, Yehudaioff i njegovi kolege otkrili su da je po svom opisu sličan čuvenom Gödelovom teoremu. Još davne 1940. godine poznati austrijski matematičar Kurt Gödel otkrio je da je bilo koji formalni sustav, uključujući i samu matematiku, nepotpun ili oprečan.
Drugim riječima, to znači da i za sustave strojnog učenja, kao i za „jednostavne“matematičare, postoje problemi, izjave i pitanja koja se ne mogu riješiti, dokazati, niti opovrgnuti, a da ih ne nadiđu.
Promotivni video:
Na primjer, u ovom je slučaju nemoguće predvidjeti može li umjetna inteligencija biti "osposobljena" za idealno podudaranje oglasa koristeći znanje preferencija samo malog, proizvoljnog broja posjetitelja. Ovisno o tome koji će posjetitelji portala biti uključeni u ovaj uzorak, ovaj je problem i rješiv i nerešiv.
Kako znanstvenici naglašavaju, s praktičnog stajališta, ovo otkriće ni na koji način ne utječe na to koliko će se umjetna inteligencija razvijati u budućnosti i koliko će dobro riješiti praktične probleme. S druge strane, prisutnost takvih ograničenja sugerira da će biti mnogo teže stvoriti univerzalni "razmišljajući" stroj koji bi bio sposoban riješiti bilo kakve probleme nego što znanstvenici danas vjeruju.