У документі Apple стверджується, що складні логічні пошукові запити є P-Complete

Що сталося

Apple Machine Learning Research опублікував статтю Аміра Аавані про обчислювальну складність оцінки глибоко вкладених немонотонних булевих запитів над інвертованими індексами. Стаття формалізує пошукову мову, засновану на орієнтованих ациклічних графах, стверджує, що її проблема оцінки є суворо P-Complete, і вводить ComputePN, детермінований алгоритм, що використовує позитивно-негативні представлення та запам’ятовування DAG.

Apple Machine Learning Research вказує, що стаття була опублікована в серпні 2026 року, а її автором є Амір Аавані. Стаття розглядає обхід інвертованим індексом, техніку пошуку, за якої терміни вказують на документи, що їх містять. Apple обрисовує проблему навколо сучасних агентів штучного інтелекту, які використовують пошукову інфраструктуру для складних нейросимволічних процесів міркування. Згідно з джерелом, ці робочі процеси можуть компілюватися в глибоко вкладені булеві запити, які включають немонотонну логіку, включаючи заперечення. Таким чином, у центрі уваги статті – реалізація структурованої логіки пошуку, а не нова мовна модель, агентський продукт чи функція пошуку, орієнтована на споживача.

У статті описуються два обмеження стандартних стратегій оцінювання. У ньому сказано, що моделі ітераторів Document-at-time із збереженням стану структурно обмежені оцінкою формули NC^1 і можуть зіткнутися з експоненціальним розривом O(2^|Q|) у найгіршому випадку, коли реконвергентна логіка розгортається в дерево. У ньому сказано, що рекурсивні моделі матеріалізації Term-at-a-Time стикаються зі штрафом у Ω(|U|), що описується як універсальне сканування, під час оцінки логічного заперечення по всьому всесвіту документа. Ці твердження містяться в анотації статті. Надане джерело не надає прикладів, відстеження робочого навантаження, емпіричних вимірювань або порівняння, що показує, як часто в розгорнутих системах виникає той чи інший найгірший варіант.

Apple стверджує, що формалізує пошукову мову L_R, засновану на орієнтованих ациклічних графах, і доводить, що оцінювання запитів у цій мові є строго P-Complete. Потім він представляє ComputePN, описаний як детермінований алгоритм оцінки з урахуванням розрідженості. Метод відокремлює логічне заперечення від матеріалізації масштабу всесвіту за допомогою подвійного представлення «Позитивно-Негативно» та використовує власну мемоізацію DAG, тому повторювані підвирази не потрібно розширювати неодноразово.

Джерело надає заявлену межу часу оцінки O(|Q| · |U_active|), де позначення стосується розміру запиту та активного набору документів. Він не включає реалізацію алгоритму, вихідний код, виміряні константи або робочі вимоги.

У сукупності опис охоплює формальну постановку проблеми статті, результат її складності та запропонований метод оцінювання. Мова пошуку представлена ​​орієнтованими ациклічними графами, зазначена складність стосується вкладеної булевої логіки, а ComputePN представлено як механізм для обробки цієї структури. Позитивно-негативне представлення стосується заперечення, тоді як запам’ятовування DAG стосується повторюваних підвиразів. У джерелі також зазначено обмеження щодо розміру запиту та активного набору документів. Окрім зазначеного проекту та складності, наданий матеріал не встановлює деталей реалізації, виміряної продуктивності, виробничого використання або зовнішньої перевірки. Ці питання залишаються відокремленими від офіційних заяв газети про оцінку.

Деталі джерела: machinelearning.apple.com ↗

Чому це важливо

Якщо твердження статті справедливі для практичних систем, вони могли б прояснити, як пошукова інфраструктура повинна виконувати складну логіку пошуку, яка використовується в робочих процесах агента ШІ. Джерело стверджує, що ComputePN уникає двох відомих витрат: експоненціального розширення реконвергентної логіки запиту та матеріалізації всього всесвіту документів для заперечення. Він не передбачає виробничих вимірювань, тому практичний ефект залишається неперевіреним.

Результат має значення, оскільки він формально обмежує проблему, яку Apple підключає до пошуку агента ШІ. Агентам, які поєднують результати пошуку з символічними умовами, може знадобитися більше, ніж проста відповідність ключових слів: вони можуть виражати вкладені перетини, об’єднання та виключення, логіка яких природним чином утворює граф із спільними підвиразами. Графічне представлення може зберегти цей спільний доступ, тоді як розширення дерева може його дублювати. Якщо ComputePN працює, як стверджується, стаття пропонує принциповий спосіб оцінити таку логіку без автоматичної оплати вартості експоненціального розширення або вартості матеріалізації повного всесвіту. Потенційна практична вигода є найбільш актуальною для систем, де взаємодіють складність запиту, розмір корпусу та розрідженість.

Уникнення сканування кожного документа може зменшити навантаження на пам’ять для запитів, які потребують заперечення, а запам’ятовування спільних вузлів DAG може запобігти повторній роботі. Заявлене прив’язування також фокусується на активному наборі документів, а не на всьому всесвіті, що може бути важливим для вибіркових запитів. Ці наслідки випливають з алгоритмічного дизайну, описаного Apple, а не з продемонстрованого вдосконалення продукту. Джерело не повідомляє про зменшення затримки, збільшення пропускної спроможності, економію витрат, енергоспоживання чи результат користувача.

Стаття має важливе значення як дослідницький внесок, але її суспільний вплив все ще невизначений. У ньому не повідомляється про запуск продукту та не повідомляється, що Apple інтегрував ComputePN у службу пошуку, орієнтовану на клієнтів. Він також не встановлює, що існуючі пошукові системи або агентські платформи використовують точну мову запитів, змодельовану в статті. У наданому матеріалі немає незалежного підтвердження. Практична цінність залежатиме від того, чи відповідає формальна модель виробничим робочим навантаженням, чи прийнятні константи алгоритму та як він поводиться, коли запити, індекси та активні набори великі або сильно взаємопов’язані.

Що дивитися далі

Наступним важливим доказом є реалізація та порівняльний аналіз: реальні графіки запитів, розміри корпусів, кількість активних документів, затримка, використання пам’яті та порівняння з існуючими системами Document-at-a-Time і Termin-at-a-Time. Джерело не вказує на програмне забезпечення, API, розгортання, місце рецензування чи впровадження пошуком або продуктом ШІ.

Перше питання полягає в тому, чи перекладаються заявлені переваги складності на вимірювану продуктивність системи. Корисні подальші докази включатимуть корпуси тестів, процедури генерації запитів, розподіли глибини DAG і реконвергенції, розмірів всесвіту документів, розмірів активного набору, пік пам’яті та наскрізну затримку. Порівняння мають включати базові лінії Document-at-time і Term-at-time, а також суперечливі випадки, що включають повторювані підвирази та широке заперечення. Поточне джерело надає асимптотичні твердження, але жодного з цих вимірювань.

Друге питання полягає в тому, чи існує ComputePN як придатне програмне забезпечення. Сторінка Apple не посилається на репозиторій, пакет, API, технічну реалізацію чи інструкції для відтворення результатів. Він також не вказує, чи можна додати метод до встановлених механізмів інвертованого індексу, чи вимагає він нового макета індексу, чи підтримує він оновлення, ранжування, фільтрацію, розподілене виконання чи одночасні запити. Ці пропуски унеможливлюють з цього джерела оцінку готовності до розгортання або сумісності з існуючими стеками пошуку.

Третє питання – перевірка та обсяг. На сторінці робота називається опублікованою статтею, але не вказується на конференцію, журнал, процес рецензування чи зовнішню репліку. Майбутнє розкриття має прояснити точну мову пошуку, припущення, що стоять за представленням активного документа, і поведінку позитивно-негативної структури за щільних або майже універсальних збігів. Також буде важливо побачити, чи системи агентів штучного інтелекту справді генерують описані типи логічних запитів DAG і чи покращує запропонований метод надійність чи лише встановлює шлях теоретичної оцінки.

Пов’язані посібники та вікторини