Nowa sztuczna inteligencja Google DeepMind dorównuje złotym medalom na olimpiadzie matematycznej

Opublikowane ponownie przez Plato

Obserwuje: 0

$Nowa sztuczna inteligencja Google DeepMind dorównuje złotym medalem na olimpiadzie matematycznej PlatoBlockchain Data Intelligence. Wyszukiwanie pionowe. AI.$

Po łamanie nierozwiązywalnej matematyki problem w zeszłym roku, sztuczna inteligencja powraca, aby zająć się geometrią.

Opracowany przez Google DeepMind nowy algorytm AlphaGeometry może zmiażdżyć problemy z poprzednich Międzynarodowych Olimpiad Matematycznych – najwyższej klasy zawodów dla uczniów szkół średnich – i dorównać osiągnięciom poprzednich złotych medalistów.

Sztuczna inteligencja, postawiona przed 30 trudnymi problemami z geometrii, rozwiązała 25 w standardowym wyznaczonym czasie, pokonując poprzednie, najnowocześniejsze algorytmy o 15 odpowiedzi.

Choć często uważana za zmorę lekcji matematyki w szkole średniej, geometria jest osadzona w naszym codziennym życiu. Sztuka, astronomia, architektura wnętrz i architektura opierają się na geometrii. Podobnie jak nawigacja, mapy i planowanie tras. U podstaw geometrii leży sposób opisywania przestrzeni, kształtów i odległości za pomocą logicznego rozumowania.

W pewnym sensie rozwiązywanie problemów z geometrią przypomina trochę grę w szachy. Biorąc pod uwagę pewne zasady — zwane twierdzeniami i dowodami — liczba rozwiązań każdego kroku jest ograniczona, ale ustalenie, które z nich ma sens, opiera się na elastycznym rozumowaniu zgodnym z rygorystycznymi regułami matematycznymi.

Innymi słowy, zajęcie się geometrią wymaga zarówno kreatywności, jak i struktury. Podczas gdy ludzie rozwijają te mentalne umiejętności akrobatyczne przez lata praktyki, sztuczna inteligencja zawsze miała z tym problemy.

AlphaGeometry sprytnie łączy obie funkcje w jeden system. Składa się z dwóch głównych komponentów: modelu logicznego powiązanego z regułami, który próbuje znaleźć odpowiedź, oraz modelu dużego języka do generowania nieszablonowych pomysłów. Jeśli sztuczna inteligencja nie znajdzie rozwiązania opartego wyłącznie na logicznym rozumowaniu, włącza się model językowy, który zapewnia nowe perspektywy. Rezultatem jest sztuczna inteligencja posiadająca zarówno kreatywność, jak i umiejętności rozumowania, która może wyjaśnić rozwiązanie.

System jest najnowszym podejściem DeepMind do rozwiązywania problemów matematycznych z wykorzystaniem inteligencji maszyn. Ale ich oczy są zwrócone na większą nagrodę. AlphaGeometry została zbudowana z myślą o logicznym rozumowaniu w złożonych środowiskach — takich jak nasz chaotyczny, codzienny świat. Poza matematyką przyszłe iteracje mogą potencjalnie pomóc naukowcom w znalezieniu rozwiązań w innych skomplikowanych systemach, takich jak rozszyfrowanie połączeń mózgowych lub rozwikłanie sieci genetycznych prowadzących do chorób.

„Dokonujemy dużego skoku, wielkiego przełomu pod względem wyników” – autor badania, dr Trieu Trinh powiedział dotychczasowy New York Times.

Podwójna drużyna

Szybkie pytanie dotyczące geometrii: wyobraź sobie trójkąt o obu bokach równej długości. Jak udowodnić, że dwa dolne kąty są dokładnie takie same?

Jest to jedno z pierwszych wyzwań, przed którymi stanęła AlphaGeometry. Aby go rozwiązać, musisz w pełni zrozumieć zasady geometrii, ale także wykazać się kreatywnością, aby przybliżyć się do odpowiedzi.

„Dowodzenie twierdzeń świadczy o mistrzostwie w logicznym rozumowaniu… co świadczy o niezwykłej umiejętności rozwiązywania problemów” – zespół – napisano w badaniu opublikowanym dzisiaj w Natura.

Oto, gdzie architektura AlphaGeometry wyróżnia się. Nazwany układ neurosymbolicznynajpierw rozwiązuje problem związany z mechanizmem dedukcji symbolicznej. Wyobraź sobie te algorytmy jako ucznia klasy A, który rygorystycznie studiuje podręczniki matematyczne i przestrzega zasad. Kierują się logiką i z łatwością potrafią zaplanować każdy krok prowadzący do rozwiązania, na przykład objaśniając tok rozumowania na teście z matematyki.

Systemy te są staromodne, ale niezwykle wydajne, ponieważ nie mają problemu „czarnej skrzynki”, który nawiedza większość współczesnych algorytmów głębokiego uczenia się.

Głębokie uczenie się zmieniło nasz świat. Jednak ze względu na sposób działania tych algorytmów często nie potrafią wyjaśnić swoich wyników. To po prostu nie wystarczy, jeśli chodzi o matematykę, która opiera się na rygorystycznym logicznym rozumowaniu, które można zapisać.

Symboliczne silniki dedukcyjne przeciwdziałają problemowi czarnej skrzynki, ponieważ są racjonalne i łatwe do wyjaśnienia. Jednak w obliczu złożonych problemów są powolni i mają trudności z elastyczną adaptacją.

Tutaj z pomocą przychodzą duże modele językowe. Algorytmy te, będące siłą napędową ChatGPT, doskonale radzą sobie ze znajdowaniem wzorców w skomplikowanych danych i generowaniem nowych rozwiązań, jeśli jest wystarczająca ilość danych szkoleniowych. Często jednak nie potrafią się wytłumaczyć, co powoduje konieczność ponownego sprawdzenia wyników.

AlphaGeometry łączy w sobie to, co najlepsze z obu światów.

W obliczu problemu z geometrią, silnik dedukcji symbolicznej daje mu pierwszeństwo. Weźmy problem trójkąta. Algorytm „rozumie” założenie pytania, ponieważ musi udowodnić, że dwa dolne kąty są takie same. Model językowy sugeruje następnie narysowanie nowej linii od góry trójkąta prosto do dołu, aby pomóc w rozwiązaniu problemu. Każdy nowy element, który przybliża sztuczną inteligencję do rozwiązania, nazywany jest „konstruktem”.

Silnik dedukcji symbolicznej korzysta z rad i zapisuje logikę stojącą za swoim rozumowaniem. Jeśli konstrukcja nie zadziała, oba systemy przechodzą wiele rund rozważań, aż AlphaGeometry znajdzie rozwiązanie.

Cała konfiguracja jest „podobna do idei «myślenia szybko i wolno»” napisał zespołu na blogu DeepMind. „Jeden system zapewnia szybkie, «intuicyjne» pomysły, a drugi — bardziej przemyślane i racjonalne podejmowanie decyzji.”

Jesteśmy mistrzami

W przeciwieństwie do plików tekstowych lub audio, brakuje przykładów skupiających się na geometrii, co utrudnia naukę AlphaGeometry.

Aby obejść ten problem, zespół wygenerował własny zbiór danych zawierający 100 milionów syntetycznych przykładów losowych kształtów geometrycznych i odwzorowanych relacji między punktami i liniami — podobnie jak rozwiązuje się geometrię na lekcjach matematyki, ale w znacznie większej skali.

Od tego momentu sztuczna inteligencja zrozumiała zasady geometrii i nauczyła się pracować wstecz od rozwiązania, aby dowiedzieć się, czy konieczne jest dodanie jakichkolwiek konstrukcji. Cykl ten pozwolił sztucznej inteligencji uczyć się od zera bez udziału człowieka.

Poddając sztuczną inteligencję testowi, zespół rzucił jej wyzwanie, rozwiązując 30 problemów olimpijskich z ponad dziesięciu lat poprzednich konkursów. Wygenerowane wyniki zostały ocenione przez poprzedniego złotego medalistę olimpijskiego Evana Chena, aby zapewnić ich jakość.

W sumie sztuczna inteligencja dorównała wynikom poprzednich złotych medalistów, rozwiązując 25 zadań w wyznaczonym czasie. The poprzedni, najnowocześniejszy wynik było 10 poprawnych odpowiedzi.

„Wyniki AlphaGeometry są imponujące, ponieważ są zarówno weryfikowalne, jak i czyste” – Chen powiedziany. „Wykorzystuje klasyczne zasady geometrii z kątami i podobnymi trójkątami, tak jak robią to uczniowie”.

Poza matematyką

AlphaGeometry to najnowsze podejście DeepMind do matematyki. W 2021, ich sztuczna inteligencja rozwiązywała zagadki matematyczne, które od dziesięcioleci wprawiały ludzi w zakłopotanie. Niedawno, używali duże modele językowe do uzasadniania problemów STEM na poziomie uczelni i pęknięty wcześniej „nierozwiązywalnego” problemu matematycznego opartego na grze karcianej z algorytmem Zabawne wyszukiwanie.

Na razie AlphaGeometry jest dostosowana do geometrii, z pewnymi zastrzeżeniami. Duża część geometrii ma charakter wizualny, ale system nie „widzi” rysunków, co mogłoby przyspieszyć rozwiązywanie problemów. Dodawanie obrazów, być może z Sztuczna inteligencja Gemini firmy Google, wprowadzony na rynek pod koniec ubiegłego roku, może wzmocnić jego geometryczną inteligencję.

Podobna strategia mogłaby również rozszerzyć zasięg AlphaGeometry na szeroki zakres dziedzin naukowych, które wymagają rygorystycznego rozumowania z odrobiną kreatywności. (Bądźmy szczerzy – to wszystkie.)

„Biorąc pod uwagę szerszy potencjał szkolenia systemów sztucznej inteligencji od podstaw przy użyciu wielkoskalowych danych syntetycznych, podejście to może ukształtować sposób, w jaki systemy sztucznej inteligencji przyszłości będą odkrywać nową wiedzę, z matematyki i nie tylko” – napisał zespół.

Kredytowych Image: Joela Filipa / Unsplash