Ahli matematika Israel telah membuktikan bahwa kecerdasan buatan jauh dari selalu dapat menemukan pola dalam kumpulan data atau memberikan jawaban yang tidak ambigu untuk pertanyaan apa pun. Temuan mereka dipresentasikan di jurnal Nature Machine Intelligence.
Pembelajaran mesin modern dan sistem kecerdasan buatan beroperasi dengan prinsip yang sangat sederhana. Mereka secara bertahap belajar untuk "melihat" pola tertentu dan membedakan jawaban yang benar dari yang salah menggunakan database ekstensif yang disiapkan oleh manusia.
Awalnya, pendekatan ini digunakan terutama untuk membuat sistem pengenalan gambar. Selanjutnya, ternyata dapat digunakan untuk hampir semua hal, mulai dari AI "kreatif", mampu menggambar dan membuat musik sendiri, hingga mesin AlphaZero, yang dapat belajar tanpa bantuan orang dan memainkan beberapa permainan papan, hanya mengetahui aturan mereka.
Keberhasilan seperti itu, catat Yehudayoff, telah memaksa pemrogram, filsuf, dan ahli matematika untuk bertanya-tanya apakah metode pemecahan masalah ini memiliki batasan dan apakah kecerdasan buatan yang sangat "umum" dapat menemukan pola dalam kumpulan data sembarang dan menjawab semua pertanyaan yang mungkin.
Matematikawan Israel mencoba mencari tahu apakah ini benar-benar terjadi dengan menganalisis versi paling umum dari berbagai masalah matematika yang secara aktif diselesaikan saat ini menggunakan sistem pembelajaran mesin.
Perhatian mereka tertuju pada versi kecerdasan buatan yang mencoba memprediksi nilai maksimum menggunakan kumpulan data yang tidak lengkap. Misalnya, mesin semacam itu mencoba menebak preferensi pengunjung ke situs tertentu dan memilih iklan yang menarik bagi kebanyakan dari mereka.
Dengan menyajikan masalah ini sebagai kumpulan dari beberapa set besar dan kecil, Yehudaioff dan rekan-rekannya menemukan bahwa deskripsinya serupa dengan teorema Gödel yang terkenal. Kembali pada tahun 1940, matematikawan Austria terkenal Kurt Gödel menemukan bahwa sistem formal apapun, termasuk matematika itu sendiri, tidak lengkap atau kontradiktif.
Dengan kata lain, ini berarti bahwa untuk sistem pembelajaran mesin, serta untuk matematikawan "sederhana", ada masalah, pernyataan, dan pertanyaan yang tidak dapat dipecahkan, tidak dapat dibuktikan, atau disangkal tanpa melampaui batasnya.
Video promosi:
Dalam kasus ini, misalnya, tidak mungkin untuk memprediksi apakah kecerdasan buatan dapat "dilatih" untuk mencocokkan iklan secara ideal menggunakan pengetahuan tentang preferensi hanya dari sejumlah kecil pengunjung yang acak. Bergantung pada pengunjung portal mana yang akan dimasukkan dalam sampel ini, masalah ini dapat dipecahkan dan tidak dapat dipecahkan.
Seperti yang ditekankan oleh para ilmuwan, dari sudut pandang praktis, penemuan ini sama sekali tidak memengaruhi seberapa aktif kecerdasan buatan akan berkembang di masa depan dan seberapa baik kecerdasan buatan itu akan memecahkan masalah praktis. Di sisi lain, adanya pembatasan semacam itu menunjukkan bahwa akan jauh lebih sulit untuk menciptakan mesin "berpikir" universal yang mampu memecahkan masalah apa pun daripada yang diyakini para ilmuwan saat ini.
