Artificiell intelligens har gjort enorma framsteg de senaste åren, men en ny studie visar att tekniken har grundläggande begränsningar som inte kan övervinnas genom större datamängder eller kraftfullare datorer.
Forskare från University of Cambridge och University of California, Santa Barbara har utvecklat matematiska ”motståndarsystem” som avslöjar exakt var och varför AI-modeller misslyckas. Resultaten visar att det finns problem där tillförlitliga förutsägelser helt enkelt är omöjliga – även om en AI skulle få tillgång till obegränsade mängder data.
AI lär sig genom mönster
Dagens AI-system bygger i stor utsträckning på att identifiera mönster i stora datamängder.
Det fungerar mycket bra inom områden där sambanden är tydliga, exempelvis bildigenkänning, språkmodeller och vissa typer av prognoser. Men många verkliga system – som klimatet, hjärnan eller avancerade robotsystem – är betydligt mer komplexa och följer inte alltid regelbundna mönster.
När forskare saknar exakta matematiska modeller används därför ofta maskininlärning för att försöka beskriva dessa system. Den nya studien visar dock att detta inte alltid är möjligt.
Matematiska fällor för AI
För att undersöka AI begränsningar skapade forskarna särskilda matematiska system som medvetet utformats för att lura maskininlärningsalgoritmer.
Precis som etiska hackare testar säkerheten i ett datorsystem konstruerade forskarna dessa ”adversariala” problem för att identifiera var AI når sina absoluta gränser.
Resultaten visade att vissa system innehåller så komplexa samband att ingen AI-modell kan lära sig att göra tillförlitliga förutsägelser, oavsett hur mycket träningsdata som används. Felet ligger alltså inte i algoritmen – utan i själva problemets natur.
Mer data löser inte alltid problemet
En vanlig uppfattning är att AI blir bättre ju mer data den får tillgång till.
Studien visar att detta inte alltid stämmer. För vissa typer av problem finns en fundamental informationsgräns där ytterligare data inte förbättrar resultatet.
Det innebär att utvecklare riskerar att lägga stora resurser på att träna modeller som aldrig kommer att kunna leverera tillförlitliga svar, hur stora de än blir.
Kan spara både tid och datorkraft
Forskarna menar att deras metod kan användas redan innan ett AI-projekt startar.
Genom att analysera om ett problem över huvud taget är möjligt att lära sig kan utvecklare avgöra om maskininlärning är rätt verktyg eller om andra metoder bör användas.
Det skulle kunna minska onödiga kostnader för datorkraft, energiförbrukning och utvecklingstid samtidigt som forskare undviker att försöka lösa problem som i praktiken är olösbara med AI.
Viktigt för framtidens AI
Forskarna betonar att resultaten inte innebär att AI-utvecklingen har nått vägs ände.
Tvärtom kan en bättre förståelse för teknikens begränsningar hjälpa forskare att utveckla mer tillförlitliga AI-system och välja rätt metod för rätt problem. Istället för att försöka använda AI överallt kan framtidens utveckling fokusera på de områden där tekniken verkligen har möjlighet att lyckas.
Studien ger därmed en viktig påminnelse om att artificiell intelligens, trots sina imponerande framsteg, fortfarande lyder under matematikens grundläggande lagar – och att vissa problem helt enkelt ligger utanför vad någon AI kan lösa.
Publikationsuppgifter
Testing the limits of what’s possible (and what isn’t) with AI, Proceedings of the National Academy of Sciences (PNAS) (2026).
