衡量人工智能的学习能力是困难的。

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该谨慎对待，不要把所有的鸡蛋放在同一个篮子里。

滑铁卢的研究人员在《自然机器智能》杂志上发表的一项研究中发现，与传统的智慧相反，没有确切的方法来决定一个特定的问题是否可以通过机器学习工具成功解决。

“我们必须谨慎行事，”该研究的主要作者、滑铁卢计算机科学学院的教授ShaiBenDavid说。“有一个非常成功的工具的大趋势，但是没有人知道它们为什么成功，也没有人能保证它们将继续成功。

“在只需要回答是或否的情况下，我们确切知道机器学习算法可以或不能做什么。但是，当涉及到更一般的设置时，我们无法区分可学习任务和不可学习任务。”

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，诸如确定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达性等任务。研究发现，如果在该模型中给定一个任务，没有数学方法能够分辨出基于人工智能的工具是否能够处理该任务。

本大卫说：“这一发现对研究界来说是一个惊喜，因为长期以来人们一直认为一旦提供了一个任务的精确描述，就可以确定机器学习算法是否能够学习并执行该任务。”

这项研究是不可决定的，由捷克共和国科学院数学研究所的Ben David、Pavel Hrube_、普林斯顿大学计算机科学系的Shay Morgan、特拉维夫大学计算机科学系的Amir Shpilka、特拉维夫大学计算机科学系的Amir Yehudayoff和国防部的Amir Yehudayoff共同撰写。理工学院数学系。