衡量人工智能学习的能力是很困难的

滑铁卢大学的一项研究发现，希望从人工智能(AI)革命中受益的组织应谨慎将所有鸡蛋放在一个篮子里。

滑铁卢研究人员在Nature Machine Intelligence发表的一项研究中发现，与传统智慧相反，没有确切的方法来决定是否可以通过机器学习工具成功解决特定问题。

“我们必须谨慎行事，”该研究的第一作者，滑铁卢计算机科学学院的教授Shai Ben-David说。“有一个非常成功的工具的大趋势，但没有人理解他们为什么成功，没有人能够保证他们将继续取得成功。

“在只需要答案是肯定或不答案的情况下，我们确切地知道机器学习算法能够做什么或不能做什么。但是，当谈到更一般的设置时，我们无法区分可学习和不可学习的任务。”

在这项研究中，Ben-David和他的同事考虑了一种称为估计最大值(EMX)的学习模型，它捕获了许多常见的机器学习任务。例如，确定找到一组配送设施的最佳位置以优化其对未来预期消费者的可访问性的任务。研究发现，鉴于该模型中的任务，基于AI的工具是否能够处理该任务，任何数学方法都无法说明。

“这一发现令研究界感到意外，因为长期以来人们一直认为，一旦提供了对任务的精确描述，就可以确定机器学习算法是否能够学习并执行该任务，”本 - 大卫。

这项研究“可学习性可以不可判断”，由Ben-David，捷克共和国科学院数学研究所的PavelHrubeš，普林斯顿大学计算机科学系的Shay Morgan，Amir Shpilka共同撰写。 ，特拉维夫大学计算机科学系，以及Technion-IIT数学系的Amir Yehudayoff。