Naukowcy odkryli fundamentalny konflikt między dwoma kluczowymi cechami, które miały stanowić fundament przyszłych systemów AI - zakotwiczeniem w rzeczywistości a zdolnością do składania znaczeń. Przez lata badacze zakładali, że grounding, czyli połączenie reprezentacji sztucznych z rzeczywistymi obiektami i zjawiskami, oraz compositionality, umożliwiająca modelom budowanie złożonych znaczeń z prostszych elementów, to cechy nawzajem się wspierające. Nowe badania jednak pokazują, że w systemach neuro-symbolicznych - hybrydach łączących uczenie neuronowe z logicznym rozumowaniem - te dwie właściwości mogą ze sobą kolidować, a nie współpracować harmonijnie.
Problem staje się wyraźny, gdy spróbujemy budować systemy, które jednocześnie rozumieją rzeczywisty świat i potrafią kombinować pojęcia w abstrakcyjny, logiczny sposób. Grounding wymaga głębokich połączeń z danymi sensorycznymi i kontekstem rzeczywistym, co często prowadzi do rozwiązań specyficznych dla konkretnego problemu. Compositionality z kolei opiera się na uniwersalnych regułach i strukturach, które mogą pracować niezależnie od bezpośredniego zakotwiczenia w danych. Badania wskazują, że optymalizacja systemu pod kątem jednej cechy często osłabia drugą, tworząc nieprzyjemny dylemat dla projektantów sztucznej inteligencji.
Odkrycie to zmusza badaczy do poważnego przeanalizowania obecnych strategii integracji paradygmatów neuro-symbolicznych. Zamiast zakładać, że uczenie głębokie i rozumowanie symboliczne naturalnie się dopełniają, potrzebne są nowe architektury, które świadomie zarządzają tym napięciem. Wiele praktycznych systemów AI, od robotyki przez przetwarzanie języka naturalnego po systemy rekomendacyjne, mogą wymagać przefabrykowania w świetle tych ustaleń. Problem zmienia perspektywę na to, jak powinny wyglądać prawdziwie inteligentne systemy - niekoniecznie jako złocie połączenie, ale jako starannie wyważona negocjacja między zakotwiczeniem a abstrakcją.