چارچوبی نوین فرضیه رایج درباره صحت مدل‌های هوش مصنوعی را به چالش کشیده است. پژوهشگران نشان داده‌اند که ویژگی‌های تعیین‌کننده پایداری عددی، صحت محاسباتی یا سازگاری با قوانین فیزیکی یک مدل هوش مصنوعی می‌تواند پیش از آغاز آموزش، در مرحله طراحی و با هزینه محاسباتی ناچیز تأیید شود.
این چارچوب بر مشاهده‌ای بنا شده که این ویژگی‌ها ساختار جبری مشترکی دارند: آن‌ها به صورت قیدهایی روی گروه‌های آبلی متناهی‌مولد قابل بیان هستند. در این ساختار، استنتاج در زمان چندجمله‌ای تصمیم‌پذیر بوده و نوع اصلی یکتا است.
رویکرد مذکور سه نتیجه پیشین را ترکیب می‌کند: یک سیستم نوع بعدی که حاشیه‌نویسی‌های دلخواه را به عنوان کودیتای پایدار در سرتاسر بسط مدل حمل می‌کند؛ یک فراگراف برنامه که درجه جبر کلیفورد را استنتاج کرده و تُنُکی حاصل‌ضرب هندسی را صرفاً از امضاهای نوع استخراج می‌کند؛ و یک معماری حوزه تطبیقی که هر دو آariant را از طریق تحلیل اثرمندی پیش‌رو و انباشت دقیق مثبت بودن طی آموزش حفظ می‌کند.
پژوهشگران ادعا می‌کنند این ترکیب نتیجه‌ای بدیع از نظر اطلاعاتی به همراه دارد: یکسان‌سازی هیندلی-میلنر روی گروه‌های آبلی، فرضیه حداکثر احتمال پسین را تحت محدودیتی محاسبه‌پذیر از prior جهانی سالومونف محاسبه می‌کند. این امر استنتاج نوع این چارچوب را در موقعیتی رسمی مشابه با استقراء جهانی قرار می‌دهد.
تیم پژوهشی چهار رویکرد معاصر در قابلیت اطمینان هوش مصنوعی را مقایسه کرده و نشان داده که هرکدام باری محاسباتی تحمیل می‌کنند که در طول استقرارها، لایه‌ها و درخواست‌های استنتاج انباشته می‌شود. این چارچوب آن بار را از ابتدا حذف می‌کند و آن را برای مدل‌های مستقر در محیط‌های تصمیم‌گیری حساس و محدودیت‌های علمی بسیار مرتبط می‌سازد.
این پژوهش نشان‌دهنده گذاری بنیادین از تأیید پس‌رویدادی به تضمین‌های مرحله طراحی است که می‌تواند رویکرد ما به توسعه هوش مصنوعی قابل اعتماد را متحول کند.
گفتگو