L'IA de Deepmind surpasse les médaillés d'or de l'OMI

La dernière IA de Google Deepmind, Alphageométrie2, a fait des vagues en surpassant le médaillé d'or moyen dans la résolution des problèmes de géométrie à l'Olympiade mathématique internationale (IMO). Cette version avancée de l'alphageométrie précédemment publiée, introduite juste en janvier dernier, aurait résolu 84% des problèmes de géométrie des 25 dernières années de compétitions de l'OMI.

Vous vous demandez peut-être pourquoi DeepMind se concentre sur un concours de mathématiques du secondaire. Eh bien, ils croient que la création de ces problèmes de géométrie euclidiens difficiles pourrait être un tremplin vers le développement d'une IA plus avancée. La résolution de ces problèmes nécessite à la fois un raisonnement logique et la capacité de parcourir divers chemins de solution, des compétences qui pourraient être cruciales pour les futurs systèmes d'IA à usage général.

Cet été, DeepMind a présenté un système combiné Alphageométrie2 avec Alphaproof, un autre modèle d'IA conçu pour le raisonnement mathématique formel. Ensemble, ils ont résolu quatre problèmes sur six de l'OMI 2024. Cette approche pourrait potentiellement s'étendre au-delà de la géométrie à d'autres domaines de mathématiques et de sciences, comme des calculs d'ingénierie complexes.

Alphageométrie2 est alimenté par quelques composants clés, y compris un modèle de langue de la famille Gemini de Google et un "moteur symbolique". Le modèle Gemini aide le moteur symbolique, qui applique des règles mathématiques pour trouver des solutions, dans la création de preuves possibles pour les théorèmes de géométrie.

Dans l'OMI, les problèmes de géométrie nécessitent souvent d'ajouter des "constructions" comme des points, des lignes ou des cercles aux diagrammes avant de les résoudre. Le modèle Gemini d'Alphageométrie2 prédit quelles constructions pourraient être utiles, guidant le moteur symbolique pour effectuer des déductions.

Voici comment cela fonctionne: le modèle Gemini suggère des étapes et des constructions dans un langage mathématique formel, que le moteur vérifie ensuite la cohérence logique. Alphageométrie2 utilise un algorithme de recherche pour explorer simultanément plusieurs chemins de solution et stocke des résultats potentiellement utiles dans une base de connaissances partagée.

Un problème est considéré comme «résolu» lorsque Alphageométrie2 combine les suggestions du modèle Gemini avec les principes connus du moteur symbolique pour former une preuve complète.

En raison de la rareté des données de formation en géométrie utilisables, DeepMind a créé des données synthétiques pour former le modèle de langue d'Alphageométrie2, générant plus de 300 millions de théorèmes et de preuves de complexité variable.

L'équipe DeepMind a testé l'alphageométrie2 sur 45 problèmes de géométrie à partir de compétitions d'OMI s'étalant de 2000 à 2024, qu'ils ont étendu à 50 problèmes. Alphageométrie2 en a résolu 42 d'entre eux, dépassant le score médaillé d'or moyen de 40,9.

Cependant, Alphageométrie2 a ses limites. Il se débat avec des problèmes impliquant un nombre variable de points, d'équations non linéaires et d'inégalités. Bien que ce ne soit pas la première IA à atteindre les performances au niveau de la médale or en géométrie, c'est le premier à le faire avec un ensemble de problèmes aussi important.

Face à un ensemble plus difficile de 29 problèmes nominés à l'OMI qui ne sont pas encore apparus dans les compétitions, Alphageométrie2 ne pouvait résoudre que 20.

Les résultats de l'étude sont susceptibles de susciter un débat supplémentaire sur la meilleure approche pour construire des systèmes d'IA. Faut-il nous concentrer sur la manipulation des symboles, où l'IA utilise des règles pour manipuler les symboles représentant les connaissances, ou sur les réseaux de neurones, qui imitent la structure du cerveau humain et apprennent des données?

Alphageométrie2 adopte une approche hybride, combinant l'architecture du réseau neuronal du modèle Gemini avec le moteur symbolique basé sur des règles.

Les partisans des réseaux de neurones soutiennent que le comportement intelligent peut émerger de grandes quantités de données et de puissance de calcul. En revanche, les partisans de l'IA symbolique croient qu'il est mieux adapté à l'encodage des connaissances, au raisonnement à travers des scénarios complexes et à l'explication des solutions.

Vince Conitzer, un professeur d'informatique de l'Université Carnegie Mellon spécialisée dans l'IA, a commenté le contraste entre les progrès impressionnants sur des repères comme l'IMO et les difficultés permanentes de modèles de langues avec de simples problèmes de bon sens. Il a souligné la nécessité de mieux comprendre ces systèmes et les risques qu'ils posent.

Alphageométrie2 suggère que la combinaison de la manipulation des symboles et des réseaux neuronaux pourrait être une voie prometteuse dans la quête de l'IA généralisable. Fait intéressant, l'équipe DeepMind a constaté que le modèle linguistique d'Alphageométrie2 pourrait générer des solutions partielles aux problèmes sans l'aide du moteur symbolique, faisant allusion au potentiel pour que les modèles linguistiques deviennent autosuffisants à l'avenir.

Cependant, l'équipe a noté que jusqu'à ce que la vitesse du modèle de langue s'améliore et que les hallucinations soient résolues, des outils comme les moteurs symboliques resteront essentiels pour les applications mathématiques.