结构鸿沟：更多数据为何无法替代结构化推理

论文讨论“足够大的模型加足够多的数据可替代显式领域知识”这一信念的局限，定义由求解器、对称群、图、物理定律、文法或优化目标等已知结构决定输入输出映射的“结构编码问题”。作者指出核心问题不是表达力，而是有限数据下的识别、外推与认证，并提出“结构鸿沟”：接收结构信息的方法与仅接收样本的学习器在有限资源下的差距。该主张以渐近形式表述，认为结构无关学习随覆盖增长可逼近结构化求解器，但每个有限数据集都可能留下残余不确定性。

AI推荐理由 论文提出“结构鸿沟”概念，区分表达力与有限数据下的可识别性、外推和认证，对理解结构化任务中显式领域知识不可替代性有理论价值；但摘要仅为概念性论述，未给出具体实验数据或量化结果，结论强度有限。