DeepMind의 AI는 IMO 금메달리스트보다 우수합니다

Google DeepMind의 최신 AI 인 Alphageometry2는 국제 수학적 올림피아드 (IMO)에서 기하학적 문제를 해결하는 데 평균 금메달리스트를 능가함으로써 파도를 만들었습니다. 지난 1 월에 도입 된 이전에 출시 된 알파시 메트 트리 의이 고급 버전은 지난 25 년간의 IMO 대회에서 기하학적 문제의 84%를 해결 한 것으로 알려졌다.

DeepMind가 왜 고등학교 수학 대회에 초점을 맞추고 있는지 궁금 할 것입니다. 글쎄, 그들은이 도전적인 유클리드 형상 문제를 깨뜨리는 것이보다 진보 된 AI를 개발하기위한 디딤돌이 될 수 있다고 생각합니다. 이러한 문제를 해결하려면 논리적 추론과 다양한 솔루션 경로, 향후 일반 목적 AI 시스템에 중요한 기술을 탐색 할 수있는 능력이 모두 필요합니다.

올 여름 DeepMind는 공식적인 수학 추론을 위해 설계된 또 다른 AI 모델 인 Alphageometry2와 AlphaProof와 결합 된 시스템을 선보였습니다. 그들은 함께 2024 IMO에서 6 가지 문제 중 4 개를 다루었습니다. 이 접근법은 기하학을 넘어 복잡한 엔지니어링 계산과 같은 다른 수학 및 과학 영역으로 확장 될 수 있습니다.

Alphageometry2는 Google Gemini 제품군의 언어 모델과 "상징적 엔진"을 포함하여 몇 가지 주요 구성 요소로 구동됩니다. Gemini 모델은 지오메트리 정리에 대한 실현 가능한 증거를 만들기 위해 수학 규칙을 적용하여 수학 규칙을 적용하는 기호 엔진을 지원합니다.

IMO에서 지오메트리 문제는 종종 포인트, 선 또는 원과 같은 "구조물"을 해결하기 전에 다이어그램에 추가해야합니다. Alphageometry2의 Gemini 모델은 어떤 구조물이 도움이 될 수 있는지 예측하여 공제를 만들기 위해 상징적 엔진을 안내합니다.

작동 방식은 다음과 같습니다. Gemini 모델은 공식적인 수학적 언어의 단계와 구성을 제안하며 엔진은 논리적 일관성을 확인합니다. Alphageometry2는 검색 알고리즘을 사용하여 여러 솔루션 경로를 동시에 탐색하고 공유 지식 기반에 잠재적으로 유용한 결과를 저장합니다.

Alphageometry2가 Gemini 모델의 제안을 기호 엔진의 알려진 원리와 결합하여 완전한 증거를 형성 할 때 문제는 "해결 된"것으로 간주됩니다.

사용 가능한 지오메트리 교육 데이터의 부족으로 인해 Deepmind는 Alphageometry2의 언어 모델을 훈련시키기 위해 합성 데이터를 만들어 3 억 명이 넘는 이론과 다양한 복잡성에 대한 증거를 생성했습니다.

DeepMind 팀은 2000 년에서 2024 년에 걸친 IMO 경쟁에서 45 개의 기하학적 문제에 대해 알파 지오 메 트리 2를 테스트했으며, 이로 인해 50 가지 문제로 확장되었습니다. Alphageometry2는이 중 42 개를 해결하여 40.9의 평균 금메달리스트 점수를 능가했습니다.

그러나, 알파 지오 메 트리 2는 그 한계가있다. 그것은 가변적 인 포인트, 비선형 방정식 및 불평등과 관련된 문제로 어려움을 겪고 있습니다. 지오메트리에서 금메달 수준의 성능에 도달 한 최초의 AI는 아니지만 큰 문제 세트에서 가장 먼저하는 것은 첫 번째입니다.

경쟁에서 아직 나타나지 않은 29 개의 IMO 지명 문제가 더 어려워지면 Alphageometry2는 20 만 해결할 수있었습니다.

이 연구의 결과는 AI 시스템 구축에 대한 최상의 접근 방식에 대한 추가 논쟁을 불러 일으킬 것입니다. AI가 지식을 나타내는 기호를 조작하기 위해 규칙을 사용하거나 인간의 뇌의 구조를 모방하고 데이터로부터 배우는 신경망을 조작하는 기호 조작에 초점을 맞춰야합니까?

Alphageometry2는 Gemini 모델의 신경 네트워크 아키텍처와 규칙 기반 기호 엔진을 결합하여 하이브리드 접근 방식을 취합니다.

신경망의 지지자들은 지능적인 행동이 방대한 양의 데이터 및 컴퓨팅 능력에서 나올 수 있다고 주장합니다. 대조적으로, 상징적 인 AI 지지자들은 지식을 인코딩하고 복잡한 시나리오를 통한 추론에 더 적합하다고 생각합니다.

Carnegie Mellon University 컴퓨터 과학 교수 인 Vince Conitzer는 IMO와 같은 벤치 마크에서의 인상적인 진보와 간단한 상식 문제로 언어 모델의 지속적인 투쟁 사이의 대조에 대해 언급했습니다. 그는 이러한 시스템과 그들이 제기 한 위험을 더 잘 이해할 필요성을 강조했다.

Alphageometry2는 기호 조작과 신경망을 결합하는 것이 일반화 가능한 AI를 찾기 위해 유망한 방법 일 수 있음을 시사합니다. 흥미롭게도, Deepmind 팀은 Alphageometry2의 언어 모델이 상징적 인 엔진의 도움없이 문제에 대한 부분 솔루션을 생성하여 언어 모델이 미래에 자립 할 수있는 잠재력을 암시 할 수 있음을 발견했습니다.

그러나 팀은 언어 모델 속도가 향상되고 환각이 해결 될 때까지 상징적 엔진과 같은 도구가 수학 응용 프로그램에 필수적이라고 지적했습니다.