剑桥大学等研究发现：理论上稳定准确深度神经网络实际不存在( 二 ) 本文转自：澎湃新闻当下

这项新研究发现，无论算法可以访问多少数据或该数据的准确性，算法都可能无法针对给定问题计算出稳定、准确的神经网络。Hansen表示，这类似于图灵的论点，即无论计算能力和运行时间如何，计算机都可能无法解决一些问题。
“计算机可以实现的功能存在固有的限制，这些限制也会出现在AI中， ”Colbrook 表示， “这意味着理论上存在的具有良好特性的神经网络，可能无法准确描述现实中可能发生的事情。”
这些新发现并不表明所有神经网络都存在完全缺陷，但它们可能仅在有限的情况下是稳定和准确的。“在某些情况下，可以计算出稳定且准确的神经网络， ”Antun说道， “关键问题是‘在某些情况下’的部分，最大的问题是找到这些案例。目前，人们对如何做到这一点知之甚少。”
研究人员发现，神经网络的稳定性和准确性之间经常需要权衡。“问题是我们同时想要稳定性和准确性， ”Hansen说道， “在实践中，对于安全相关的关键应用，人们可能不得不牺牲一些准确性来确保稳定性。”
作为新研究的一部分，研究人员开发了他们“快速迭代重启网络”（FIRENET），以期在涉及分析医学图像等任务时实现，神经网络可以提供稳定性和准确性的结果。
研究人员认为，这些关于神经网络局限性的新发现并不是为了抑制人工智能研究， “从长远来看，弄清楚什么可以做和什么不可以做什么对人工智能研究来说是健康的。请注意，图灵和G?del的负面结果引发了数学基础和计算机科学方面的巨大变化，这分别导致了现代计算机科学和现代逻辑的大部分发展。”Colbrook说，
具体而言在这项研究中，研究人员认为，这些新发现意味着存在一种分类理论，其可以描述哪些具有给定精度的稳定神经网络可以通过算法进行计算。用之前谈到的蛋糕类比， “这将是一个分类理论，描述了哪些蛋糕可以用物理上可能设计的搅拌机烘烤。如果无法烘烤蛋糕，我们也想知道与想要的蛋糕类型有多接近。”Antun 说道。