Kein universelles Hyperbolen-Gesetz: Formaler Beweis gegen KI-Trade-Off

Eine neue Veröffentlichung auf arXiv hat ein seit einiger Zeit diskutiertes Konzept in der KI-Forschung endgültig widerlegt. Die Autoren zeigen, dass die bislang vorgeschlagene Beziehung zwischen epistemischer Sicherheit und dem Umfang von Modellen – ausgedrückt als Hyperbolen-Gesetz – nicht haltbar ist.

Der angebliche Trade‑Off definiert „Sicherheit“ als die schlechteste Korrektheitswahrscheinlichkeit über den gesamten Eingaberaum und „Umfang“ als die Summe der Kolmogorov‑Komplexitäten von Eingabe- und Ausgabensätzen. Die Hypothese besagt, dass diese beiden Größen in einer universellen Hyperbolen‑Formel miteinander verknüpft sind.

Durch die Anwendung etablierter Resultate aus der Codierungstheorie und der algorithmischen Informationstheorie gelang es den Forschern, zwei entscheidende Widersprüche aufzudecken. Erstens führt die Verwendung der Präfix‑Kolmogorov‑Komplexität zu einer internen Inkonsistenz. Zweitens liefert ein konstruktives Gegenbeispiel bei der Verwendung der normalen Kolmogorov‑Komplexität einen klaren Widerlegungspunkt. Damit gilt, dass unter den veröffentlichten Definitionen kein universelles „Sicherheits‑Umfang“-Hyperbolen‑Gesetz existiert.

Die Studie liefert damit einen wichtigen Meilenstein für die theoretische KI-Forschung und unterstreicht, dass die Annahme eines allumfassenden Trade‑Offs zwischen Genauigkeit und Modellumfang nicht mehr als gültig betrachtet werden kann. Forschende können nun auf dieser Basis neue, realistischere Modelle entwickeln, die die Grenzen von Sicherheit und Umfang besser berücksichtigen.