数学家们发现了一个他们无法解决的问题。并不是他们不够聪明;根本没有答案。

 

这个问题与机器学习有关。机器学习是一些计算机用来“学习”如何完成特定任务的人工智能模型。

 

当Facebook或谷歌识别出你的照片并建议你给自己贴标签时，杏耀这是在使用机器学习。当自动驾驶汽车行驶在繁忙的十字路口时，这就是机器学习在起作用。神经科学家使用机器学习来“读”别人的想法。机器学习是建立在数学基础上的。因此，数学家可以在理论层面上研究和理解它。他们可以写出关于机器学习如何工作的绝对证明，并将其应用于每种情况。

 

要理解EMX的工作原理，可以这样设想:您想在网站上放置广告，并最大化这些广告的目标受众数量。您的广告面向体育迷、爱猫人士、车迷和运动爱好者等。但你事先不知道谁会去参观这个网站。你如何选择广告，使你的目标观众最大化?EMX必须用关于谁访问该站点的少量数据找出答案。

 

研究人员接着问了一个问题:EMX什么时候能解决问题?

 

在其他机器学习问题中，数学家通常可以根据他们拥有的数据集来判断学习问题是否可以在给定的情况下得到解决。谷歌用来识别人脸的基本方法能否应用于预测股市走势?我不知道，但可能有人知道。

 

问题是， 杏耀平台 ，杏耀平台数学有点烂。自1931年逻辑学家库尔特·哥德尔(Kurt Godel)发表著名的不完全性定理以来，这个理论就被打破了。它们表明， 杏耀平台总代结缘，在任何数学系统中，都有某些问题是无法回答的。它们并不难——它们是不可知的。数学家们认识到他们理解宇宙的能力从根本上是有限的。哥德尔和另一位数学家保罗·科恩发现了一个例子:连续统假说。

 

连续统假设是这样的:数学家们已经知道有不同大小的无穷大。例如，有无穷多个整数(像1、2、3、4、5等等);实数有无穷多个(包括像1、2、3这样的数，但也包括像1.8、5,222.7和π这样的数)。但尽管有无穷多个整数和无穷多个实数，但实数显然比整数多。这就提出了一个问题，有没有比整数集大但比实数集小的无穷大?连续统假说说，不，没有。

 

哥德尔和科恩证明了连续统假说是不可能证明的，但也不可能证明它是错的。“连续统假说正确吗?”是一个没有答案的问题。

 

在1月7日周一发表在《自然机器智能》(Nature Machine Intelligence)杂志上的一篇论文中，研究人员表明，EMX与连续统假说有着密不可分的联系。

 

结果表明，EMX只有在连续统假设为真时才能解决问题。但如果这不是真的，EMX就不能。这意味着，“EMX能学会解决这个问题吗?”这个问题的答案和连续统假设本身一样不可知。

 

好消息是连续统假设的解对大多数数学来说不是很重要。同样，这个永恒的谜题可能也不会成为机器学习的主要障碍。

 

“因为EMX是机器学习的一个新模型，我们还不知道它对开发真实世界算法的有用性，”芝加哥伊利诺伊大学(University of Illinois)数学教授列夫·雷津(Lev Reyzin)在《自然新闻与观点》(Nature News & Views)的一篇文章中写道。“所以这些结果可能没有实际意义，”Reyzin写道。

 

雷津写道，遇到一个无法解决的问题，是机器学习研究人员的骄傲。

 

这是机器学习“作为一门数学学科已经成熟的证据，”Reyzin写道。

 

机器学习“现在加入了数学的许多子领域，处理不可证明的负担和随之而来的不安，”Reyzin写道。也许像这样的结果会给机器学习领域带来一剂健康的谦逊，即使机器学习算法继续给我们周围的世界带来革命。"