數學家發現了他們無法解決的問題。這並不是說他們不夠聰明。根本沒有答案。
問題與機器學習有關 - 一些計算機用來“學習”如何執行特定任務的人工智能模型的類型。
當Facebook或Google識別出您的照片並建議您標記自己時，它是在使用機器學習。當自動駕駛汽車導航繁忙的十字路口時，這就是機器學習。神經科學家使用機器學習“閱讀”某人的想法。關於機器學習的事情是它基於數學。因此，數學家可以在理論層面上研究並理解它。他們可以寫出有關機器學習的工作方式的證據，並在每種情況下都應用它們。 [照片：定義宇宙的大量這是給出的
在這種情況下，一個數學家團隊設計了一個機器學習問題，稱為“估計最大值”或“ emx”。
要了解EMX的工作原理，請想像這一點：您想將廣告放在網站上，並最大程度地提高這些廣告的目標。您的廣告向體育迷，貓愛好者，汽車狂熱者和運動愛好者等投放。但是您不知道誰將訪問該網站。您如何選擇一系列廣告，這些廣告將最大化您的目標觀眾？ EMX必須只用少量數據訪問該網站來找出答案。
然後，研究人員問了一個問題：EMX何時可以解決問題？
在其他機器學習問題中，數學家通常可以根據其具有的數據集在給定情況下解決學習問題。 Google識別您的面孔的基本方法可以應用於預測股票市場趨勢嗎？我不知道，但是有人會。
麻煩是，數學有點損壞。自1931年邏輯學家庫爾特·戈德爾（KurtGödel）出版了他著名的不完整定理以來，它就被打破了。他們表明，在任何數學系統中，都有某些無法回答的問題。他們不是真的很困難- 他們是不可知的。數學家了解到，他們了解宇宙的能力從根本上受到限制。戈德爾和另一位名叫保羅·科恩（Paul Cohen）的數學家找到了一個例子：連續假設。
連續性假設是這樣的：數學家已經知道有不同大小的無限性。例如，有很多整數（例如1、2、3、4、5之類的數字）；並且有許多實數（包括1、2、3之類的數字，但還包括1.8和5,222.7和PI等數字）。但是，即使有無限的整數和無限的實數，但顯然還有比整數更多的實數。提出了一個問題，是否有比整數集大的無限態度，但比實際數字集更小？連續假設說：不，沒有。
戈德爾（Gödel）和科恩（Cohen）表明，不可能證明連續性假設是正確的，但也不可能證明這是錯誤的。 “連續假設是真的嗎？”是一個沒有答案的問題。
在1月7日星期一發表的一篇論文中，自然機器智能，研究人員表明，EMX與連續性假設密不可分。
事實證明，只有在連續假設為真時，EMX才能解決問題。但是，如果不是真的，emx就不會這樣做。這意味著“ emx可以學會解決這個問題嗎？”有一個與連續假設本身一樣不可知的答案。
好消息是，解決連續性假設的解決方案對於大多數數學而言並不是很重要。同樣，這種永久的謎團可能不會給機器學習帶來主要障礙。
“由於EMX是機器學習中的一種新模型，我們尚不知道它對開發現實世界算法的有用性，”芝加哥伊利諾伊大學數學教授Lev Reyzin，他在論文中沒有工作，在伴隨的大自然中寫News＆VIEWS文章。雷津寫道：“因此，這些結果可能並不重要。”
雷辛寫道，面對一個無法解決的問題，是機器學習研究人員的帽子上的一種羽毛。
雷辛寫道，有證據表明機器學習已經“成熟為數學學科”。
機器學習：“現在加入了許多數學子場，這些數學涉及不可證實的負擔和隨之而來的不安。”雷辛寫道。也許這樣的結果將帶給機器學習健康謙卑的領域，即使機器學習算法繼續徹底改變我們周圍的世界。 “
編者註：這個故事已更新 美國東部時間1月14日下午2:15糾正連續假設。該文章最初說，如果連續假設是正確的，那麼無限率大於整數，但小於實數集。實際上，如果連續假設是正確的，那麼沒有比整數集更大的無限，而是小於實數集。
最初出版現場科學。
