Dirbtinis intelektas ilgą laiką bandė imituoti žmogaus panašų loginį samprotavimą. Nors tai padarė didžiulę pažangą pripažinant modelį, abstrakčiai samprotavimai ir simbolinė išskaičiavimas išliko sunkūs AI iššūkiai. Šis apribojimas tampa ypač akivaizdus, kai AI naudojama matematiniam problemų sprendimui-disciplina, kuri ilgą laiką liudija žmogaus pažintinius sugebėjimus, tokius kaip loginis mąstymas, kūrybiškumas ir gilus supratimas. Skirtingai nuo kitų matematikos šakų, kurios remiasi formulėmis ir algebrinėmis manipuliacijomis, geometrija skiriasi. Tai reikalauja ne tik struktūrizuotų, žingsnis po žingsnio samprotavimų, bet ir sugebėjimo atpažinti paslėptus santykius ir įgūdį sukurti papildomus elementus problemoms spręsti.
Ilgai buvo manoma, kad šie sugebėjimai būdingi tik žmonėms. Tačiau „Google Deepmind“ stengiasi kurti AI, galinčią išspręsti šias sudėtingas samprotavimo užduotis. Praėjusiais metais jie pristatė alfageometriją – AI sistemą, sujungusią neuroninių tinklų numatomą galią su struktūrizuota simbolinių samprotavimų logika, siekdama išspręsti sudėtingas geometrijos problemas. Ši sistema padarė didelę įtaką sprendžiant 54% tarptautinės matematikos olimpiados (TJO) geometrijos problemų, kad pasiektų rezultatus su sidabro medalininkais. Neseniai jie tai dar labiau ėmėsi naudodamiesi „Alphageometry2“, kuri pasiekė neįtikėtiną 84% sprendimo normą, kad pralenktų vidutinį TJO aukso medalininką.
Šiame straipsnyje mes išnagrinėsime pagrindines naujoves, kurios padėjo „Alphageometry2“ pasiekti tokį našumo lygį ir tai, ką šis vystymasis reiškia AI ateičiai sprendžiant sudėtingas samprotavimo problemas. Bet prieš pasinerdami į tai, kas daro „Alphageometry2“ ypatingą, pirmiausia būtina suprasti, kas yra alfageometrija ir kaip ji veikia.
Alfageometrija: pradinis AI geometrijos problemų sprendimas
Alfageometrija yra AI sistema, skirta išspręsti sudėtingas geometrijos problemas TJO lygyje. Iš esmės tai yra neuro-simbolinė sistema, sujungusi neuroninės kalbos modelį su simboliniu dedukcijos varikliu. Neuroninės kalbos modelis padeda sistemai numatyti naujas geometrines konstrukcijas, o simbolinė AI taiko oficialią logiką įrodymams generuoti. Ši sąranka leidžia alfageometrijai mąstyti labiau kaip žmogus, derinant neuroninių tinklų modelio atpažinimo galimybes, kurios atkartoja intuityvų žmogaus mąstymą, su struktūrizuotu oficialios logikos pagrindimu, imituojančiu žmogaus dedukcinių samprotavimų gebėjimus. Viena iš pagrindinių „Alfageometrijos“ naujovių buvo tai, kaip ji sukūrė mokymo duomenis. Užuot pasikliaudamas žmonių demonstracijomis, jis sukūrė milijardą atsitiktinių geometrinių schemų ir sistemingai išvestus ryšius tarp taškų ir linijų. Šis procesas sukūrė didžiulį 100 milijonų unikalių pavyzdžių duomenų rinkinį, padedantį neuroninio modelio prognozuoti funkcinius geometrinius konstrukcijas ir nukreipti simbolinį variklį link tikslių sprendimų. Šis hibridinis požiūris leido alfageometrijai išspręsti 25 iš 30 „Olympiad“ geometrijos problemų per standartinį konkurencijos laiką, glaudžiai suderinant geriausių žmonių konkurentų rezultatus.
Kaip „Alfageometry2“ pasiekia geresnį našumą
Nors alfageometrija buvo proveržis dėl AI pagrįsto matematinio samprotavimo, ji turėjo tam tikrų apribojimų. Tai kovojo su sudėtingų problemų sprendimu, neturėjo efektyvumo tvarkant įvairių geometrijos iššūkių ir turėjo problemų dėl probleminių. Norėdami įveikti šias kliūtis, „Alphageometry2“ pristato daugybę reikšmingų patobulinimų:
- Išplečiant AI gebėjimą suprasti sudėtingesnes geometrijos problemas
Vienas reikšmingiausių alfageometrijos patobulinimų yra jo sugebėjimas dirbti su platesniu geometrijos problemų spektru. Buvusi alfageometrija kovojo su klausimais, susijusiais su linijinėmis kampų, santykio ir atstumų lygtimis, taip pat tomis, kurioms reikėjo samprotavimų apie judėjimo taškus, linijas ir apskritimus. „Alphageometry2“ įveikia šiuos apribojimus, įvedant labiau pažengusį kalbos modelį, leidžiantį apibūdinti ir analizuoti šias sudėtingas problemas. Dėl to dabar jis gali išspręsti 88% visų TJO geometrijos problemų per pastaruosius du dešimtmečius, tai yra reikšmingas padidėjimas, palyginti su ankstesniais 66%.
- Greitesnis ir efektyvesnis problemų sprendimo variklis
Kita pagrindinė priežastis, dėl kurios „Alphageometry2“ veikia taip gerai, yra patobulintas simbolinis variklis. Šis variklis, kuris yra loginė šios sistemos branduolys, buvo patobulintas keliais būdais. Pirma, patobulinta dirbti su tobulesne problemų sprendimo taisyklių rinkiniu, todėl jis tampa efektyvesnis ir greitesnis. Antra, dabar jis gali atpažinti, kai skirtingi geometriniai konstrukcijos atspindi tą patį problemos tašką, leisdama jai pagrįsti lanksčiau. Galiausiai variklis buvo perrašytas C ++, o ne „Python“, todėl jis buvo daugiau nei 300 kartų greičiau nei anksčiau. Šis greičio padidinimas leidžia „AlphageOmetry2“ greičiau ir efektyviau generuoti sprendimus.
- AI mokymas su sudėtingesnėmis ir įvairiomis geometrijos problemomis
Alphageometrijos nervinio modelio efektyvumas kyla iš jo išsamių sintetinių geometrijos problemų mokymų. Iš pradžių alfageometrija sukūrė vieną milijardą atsitiktinių geometrinių schemų, kad būtų sukurti 100 milijonų unikalių treniruočių pavyzdžių. „Alfageometry2“ žengia šį žingsnį toliau, sukurdama išsamesnes ir sudėtingesnes schemas, apimančias sudėtingus geometrinius ryšius. Be to, dabar į jas įtrauktos problemos, kurioms reikia pristatyti pagalbines konstrukcijas – naujai apibrėžtus taškus ar linijas, kurios padeda išspręsti problemą, leidžiant jai numatyti ir generuoti sudėtingesnius sprendimus
- Surasti geriausią kelią į sprendimą naudojant protingesnes paieškos strategijas
Pagrindinė „Alphageometry2“ naujovė yra naujas paieškos metodas, vadinamas „Bendri žinių“ ansambliu, kuriame yra paieškos medžių (Skest). Skirtingai nuo jo pirmtako, kuris rėmėsi pagrindiniu paieškos metodu, „AlphageOmetry2“ lygiagrečiai vykdo kelias paieškas, kiekviena paieška mokosi iš kitų. Ši technika leidžia jai ištirti platesnį galimų sprendimų spektrą ir žymiai pagerina AI gebėjimą per trumpesnį laiką išspręsti sudėtingas problemas.
- Mokymasis iš pažengusio kalbos modelio
Kitas svarbus „Alphageometry2“ sėkmės veiksnys yra „Google“ „Gemini“ modelio, modernaus AI modelio, kuris buvo išmokytas dar platesnio ir įvairesnio matematinių problemų, priėmimas. Šis naujas kalbos modelis pagerina „Alphageometry2“ gebėjimą generuoti žingsnis po žingsnio sprendimus dėl patobulinto mąstymo grandinės samprotavimų. Dabar „Alfageometrija2“ gali pritarti problemoms labiau struktūruotai. Patobulindama savo prognozes ir mokymąsi iš įvairių rūšių problemų, sistema dabar gali išspręsti daug didesnį procentą olimpiados lygio geometrijos klausimų.
Pasiekti rezultatus, kurie pranoksta žmonių olimpiadų čempionus
Aukščiau pateiktų pažangų dėka „Alphageometriy2“ išsprendžia 42 iš 50 TJO geometrijos problemų 2000–2024 m., Pasiekdamas 84% sėkmės procentą. Šie rezultatai viršija vidutinio TJO aukso medalininko atlikimą ir nustatė naują AI pagrįsto matematinių samprotavimų standartą. Be įspūdingo pasirodymo, „Alphageometry2“ taip pat žengia žingsnius automatizuodamas teoremą, įrodydama, kad priartintų mus prie AI sistemų, kurios gali ne tik išspręsti geometrijos problemas, bet ir paaiškinti jų samprotavimus taip, kad žmonės galėtų suprasti žmones
AI ateitis matematiniame samprotavime
Pažanga nuo alfageometrijos iki alfageometrijos2 parodo, kaip AI geriau tvarkyti sudėtingas matematines problemas, kurioms reikalingas gilus mąstymas, logika ir strategija. Tai taip pat reiškia, kad AI nebėra tik modelių atpažinimas-tai gali pagrįsti, užmegzti ryšius ir išspręsti problemas tokiais būdais, kurie labiau jaučiasi kaip žmogaus panašūs loginiai samprotavimai.
„Alfageometry2“ taip pat parodo, ką AI gali ateityje. Užuot tik vykdydamas instrukcijas, PG galėtų pradėti savarankiškai tyrinėti naujas matematines idėjas ir net padėti atlikti mokslinius tyrimus. Derinant neuroninius tinklus su loginiais samprotavimais, PG gali būti ne tik įrankis, galintis automatizuoti paprastas užduotis, bet ir kvalifikuotą partnerį, padedantį išplėsti žmogaus žinias srityse, kurios remiasi kritiniu mąstymu.
Ar galėtume patekti į erą, kai AI įrodo teoremas ir daro naujus fizikos, inžinerijos ir biologijos atradimus? Kai AI pereina nuo žiaurių jėgos skaičiavimų prie labiau apgalvoto problemų sprendimo, mes galime būti ant ateities, kurioje žmonės ir AI dirba kartu, kad atskleistume idėjas, niekada negalvojome.
