ИИ DeepMind превосходит золотые призеры IMO

Последний AI Google DeepMind, Alphageometry2, сделал волны, опередив средний золотой призер в решении задач геометрии на Международной математической олимпиаде (IMO). Эта передовая версия ранее выпущенной альфагеометрии, представленная только в январе прошлого года, по сообщениям, решила 84% проблем с геометрией за последние 25 лет соревнований IMO.

Вы можете задаться вопросом, почему DeepMind сосредоточен на конкурсе по математике в старшей школе. Что ж, они считают, что взломать эти сложные проблемы евклидовой геометрии может стать ступенькой для разработки более продвинутого ИИ. Решение этих проблем требует как логических рассуждений, так и способности перемещаться по различным путям решения, навыки, которые могут иметь решающее значение для будущих систем ИИ в общем назначении.

Этим летом DeepMind продемонстрировала систему, которая объединила Alphageometry2 с Alphaproof, еще одной моделью искусственного интеллекта, предназначенной для формальной математической рассуждения. Вместе они решили четыре из шести проблем с IMO 2024 года. Этот подход может потенциально распространяться за пределы геометрии до других областей математики и науки, таких как сложные инженерные расчеты.

AlphageOmetry2 оснащен несколькими ключевыми компонентами, включая языковую модель из семейства Gemini от Google и «символический двигатель». Модель Близнецов помогает символическому двигателю, который применяет математические правила для поиска решений, при создании возможных доказательств теорем о геометрии.

В IMO проблемы с геометрией часто требуют добавления «конструкций», таких как точки, линии или круги к диаграммам перед их решением. Модель Близнецов Alphageometry2 предсказывает, какие конструкции могут быть полезны, направляя символический двигатель для вычета.

Вот как это работает: модель Близнецов предлагает шаги и конструкции на формальном математическом языке, который затем двигатель проверяет на логическую последовательность. Alphageometry2 использует алгоритм поиска для одновременного изучения нескольких путей решения и сохраняет потенциально полезные результаты в общей базе знаний.

Проблема считается «решением», когда Alphageometry2 объединяет предложения модели Близнецов с известными принципами символического двигателя для формирования полного доказательства.

Из -за нехватки данных об использовании обучения для использования геометрии DeepMind создал синтетические данные для обучения языковой модели альфаггеометрии2, генерируя более 300 миллионов теорем и доказательств различной сложности.

Команда DeepMind проверила Alphageometry2 на 45 задачах геометрии от соревнований IMO, охватывающих с 2000 до 2024 года, которые они расширили до 50 проблем. AlphageOmetry2 решил 42 из них, превосходя средний балл золотого медалиста 40,9.

Однако Alphageometry2 имеет свои ограничения. Он борется с проблемами, включающими переменное количество точек, нелинейных уравнений и неравенства. Хотя это не первый искусственный интеллект, достигший производительности на уровне золота в геометрии, это первое, что делает это с таким большим набором проблем.

Столкнувшись с более жестким набором из 29 проблем с ИМО, которые еще не появились на соревнованиях, Alphageyometry2 может решить только 20.

Результаты исследования, вероятно, вызовут дальнейшие споры о лучшем подходе к созданию систем ИИ. Должны ли мы сосредоточиться на манипуляциях с символом, где ИИ использует правила для манипулирования символами, представляющими знания, или на нейронных сетях, которые имитируют структуру человеческого мозга и учатся из данных?

Alphageometry2 использует гибридный подход, объединяя архитектуру нейронной сети модели Близнецов с символическим двигателем, основанным на правилах.

Сторонники нейронных сетей утверждают, что интеллектуальное поведение может возникнуть из огромных объемов данных и вычислительной мощности. Напротив, сторонники символического ИИ считают, что это лучше подходит для кодирования знаний, рассуждения с помощью сложных сценариев и объяснения решений.

Винс Кониццер, профессор компьютерных наук Университета Карнеги -Меллона, специализирующийся на ИИ, прокомментировал контраст между впечатляющим прогрессом на контрольных показателях, таких как IMO, и продолжающейся борьбой с языковыми моделями с простыми проблемами здравого смысла. Он подчеркнул необходимость лучше понять эти системы и риски, которые они представляют.

Alphageometry2 предполагает, что сочетание символов манипуляции и нейронных сетей может быть многообещающим направлением вперед в поисках обобщаемого ИИ. Интересно, что команда DeepMind обнаружила, что языковая модель Alphageometry2 может генерировать частичные решения проблем без помощи символического двигателя, намекая на потенциал для языковых моделей стать самодостаточными в будущем.

Тем не менее, команда отметила, что до тех пор, пока не улучшится скорость языковой модели и не будет разрешена галлюцинации, такие инструменты, как символические двигатели, останутся необходимыми для математических приложений.