Мы часто слышим, что больше данных делает ИИ умнее. Но новое исследование Кембриджского университета и Калифорнийского университета в Санта-Барбаре показывает, что даже бесконечные данные не могут гарантировать надежные прогнозы для某些 хаотических систем. Исследование, опубликованное в Nature Communications 14 июля 2026 года, демонстрирует, что некоторые проблемы имеют жесткие математические ограничения — то есть никакой объем обучающих данных не может поднять точность алгоритма выше подбрасывания монеты (50/50).
Исследование: операторы Купмана и враждебные системы
Под руководством доктора Мэтью Колбрука команда использовала теорию операторов Купмана для анализа причин, по которым машинное обучение терпит неудачу на хаотических системах (где малые изменения входных данных приводят к огромным расхождениям). Они разработали математические враждебные системы для стресс-тестирования алгоритмов ИИ, точно определив, где и почему прогнозы ломаются. Ключевые выводы включают:
- Неспособность проверки достаточности данных: У алгоритмов ИИ нет внутреннего механизма, чтобы понять, когда они увидели достаточно данных для стабильного прогноза.
- Скрытое запутывание паттернов: Критические отслеживаемые координаты остаются математически запутанными, что делает невозможным их разделение стандартными нейросетями.
- Проблема частоты хаоса: В хаотических системах оператор Купмана генерирует перекрывающиеся частоты, а не чистые переменные, сохраняя краткосрочную точность, но вызывая систематический коллапс долгосрочных прогнозов.
Эти математические нестабильности также объясняют, почему большие языковые модели вроде ChatGPT галлюцинируют: микроскопические вариации в промптах вызывают нарастающие ошибки, которые отклоняются от реальности, сохраняя краткосрочную связность.
Почему это важно для вашего мозга
Это исследование бросает вызов мантре техноиндустрии о том, что «больше данных равно лучшему обучению». Для вашего собственного познания оно подчеркивает, что некоторые проблемы требуют больше, чем просто сырой информации — вам нужна правильная структура, чтобы отделить сигнал от шума. Мозг, как и ИИ, может впасть в переобучение (запоминание деталей без понимания) или быть overwhelmed сложностью. Распознавание проблем с фундаментальными ограничениями может сэкономить умственные усилия и предотвратить разочарование при обучении или решении задач.
Что вы можете сделать
Чтобы избежать когнитивного переобучения, диверсифицируйте источники обучения и намеренно проверяйте свое понимание. Сталкиваясь со сложной проблемой, разбивайте её на более мелкие части и проверяйте скрытые допущения. Новый алгоритм исследователей со встроенными границами ошибок (который превзошел коммерческий ИИ на данных об арктическом льду, работая на ноутбуке) показывает, что строгие, прозрачные методы побеждают накопление данных грубой силой.
Источник: Neuroscience News
Хотите узнать больше о своем мозге? Пройдите наш бесплатный адаптивный IQ-тест или попробуйте 306 уровней тренировки мозга.
