複雜性理論並未證明透過 ML 實現 AGI 是不可能的

🔑 增強重點摘要

• •原始的「Ingenia 定理」由 van Rooij 等人於2023年提出，聲稱透過機器學習實現類人AI在計算上是難以處理的，其核心是將已知難解的「完美與隨機」（Perfect-vs-Chance）問題歸約到「透過學習實現AI」（AI-by-Learning）問題。
• •駁斥論文指出，「Ingenia 定理」的證明存在關鍵缺陷，即在形式證明中，其對數據分佈D的定義從非正式的「人類情境-行為元組分佈」變為任意的「多項式時間可採樣分佈」，導致證明未能達成其預期目標。
• •駁斥論文強調，任何關於AGI不可行性的複雜性理論證明，都必須精確定義「類人行為」並考慮特定機器學習系統的「歸納偏差」，因為歸納偏差對於學習結構化函數至關重要。
• •「Ingenia 定理」的證明策略是將假設的AI工程師Dr. Ingenia試圖解決的機器學習問題，證明其計算難度至少與2022年由平原修一（Shuichi Hirahara）證明為難解的「完美與隨機」問題相當。

🛠️ 技術深入

• •「Ingenia 定理」試圖透過將「完美與隨機」（Perfect-vs-Chance）問題歸約到「透過學習實現AI」（AI-by-Learning）問題，來證明透過機器學習實現AGI的計算難解性。
• •「完美與隨機」問題已被證明是難以處理的（在隨機歸約下為NP-hard）。
• •駁斥論文指出，原始證明中的核心缺陷在於對分佈D的定義不一致：在引入問題時，D被描述為「人類情境-行為元組的分佈」，但在形式證明中卻被替換為「任意多項式時間可採樣分佈」。
• •駁斥論文運用了歸謬法（reductio ad absurdum），指出如果原始證明成立，則會錯誤地暗示ImageNet的圖像分類也是不可計算的，這與實際情況相悖。
• •駁斥論文強調，機器學習系統的「歸納偏差」（inductive biases）是學習結構化函數的關鍵，這意味著在分析AGI的計算複雜性時，不能忽視這些特定學習機制。

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線