AlphaGeometry2: Den AI, der overgår menneskelige olympiske mestre i geometri

Kunstig intelligens har længe forsøgt at efterligne menneskeagtig logisk resonnering. Mens det har gjort enorme fremskridt i mønstergenkendelse, er abstrakt resonnering og symbolisk deduktion fortsat store udfordringer for AI. Denne begrænsning bliver særligt tydelig, når AI anvendes til matematisk problem løsning, en disciplin, der længe har været et vidnesbyrd om menneskelige kognitive evner såsom logisk tænkning, kreativitet og dyb forståelse. I modsætning til andre grene af matematik, der afhænger af formler og algebraiske manipulationer, er geometri anderledes. Det kræver ikke kun struktureret, trin-for-trin resonnering, men også evnen til at genkende skjulte relationer og færdigheden til at konstruere ekstra elementer til at løse problemer.

I lang tid blev disse evner betragtet som unikke for mennesker. Men Google DeepMind har arbejdet på at udvikle AI, der kan løse disse komplekse resonansopgaver. Sidste år introducerede de AlphaGeometry, et AI-system, der kombinerer den predictive kraft af neurale netværk med den strukturerede logik af symbolisk resonnering til at tackle komplekse geometriproblemer. Dette system havde en betydelig impact ved at løse 54% af Internationale Matematisk Olympiade (IMO) geometriproblemer og opnå en præstation på niveau med sølvmedalister. For nylig tog de det endnu længere med AlphaGeometry2, der opnåede en utrolig 84% løsningsrate og overgik en gennemsnitlig IMO-guldmedaljevinder.

I denne artikel vil vi udforske de nøgleinnovationer, der hjalp AlphaGeometry2 med at opnå dette niveau af præstation og hvad denne udvikling betyder for fremtiden for AI i løsning af komplekse resonansproblemer. Men før vi dykker ned i, hvad der gør AlphaGeometry2 særligt, er det essentielt først at forstå, hvad AlphaGeometry er og hvordan det fungerer.

AlphaGeometry: Pioner inden for AI i geometri problem løsning

AlphaGeometry er et AI-system designet til at løse komplekse geometriproblemer på niveau med IMO. Det er grundlæggende et neuro-symbolisk system, der kombinerer et neuralt sprogmodel med en symbolisk deduktionsmotor. Det neurale sprogmodel hjælper systemet med at forudsige nye geometriske konstruktioner, mens den symboliske AI anvender formel logik til at generere beviser. Denne opsætning giver AlphaGeometry mulighed for at tænke mere som et menneske ved at kombinere mønstergenkendelsesevnerne af neurale netværk, der replikerer intuitivt menneskeligt tænkning, med den strukturerede resonnering af formel logik, der ligner menneskeligt deduktivt resonneringsfærdighed. En af de nøgleinnovationer i AlphaGeometry var, hvordan det genererede træningsdata. I stedet for at afhænge af menneskelige demonstrationer, oprettede det en milliard tilfældige geometriske diagrammer og systematisk afledte relationer mellem punkter og linjer. Denne proces skabte en enorm dataset på 100 millioner unikke eksempler, der hjalp det neurale model til at forudsige funktionelle geometriske konstruktioner og guide den symboliske motor mod præcise løsninger. Denne hybride tilgang gjorde det muligt for AlphaGeometry at løse 25 af 30 Olympiade-geometriproblemer inden for standard konkurrence tid, tæt på niveau med top-menneskelige konkurrenter.

Hvordan AlphaGeometry2 opnår forbedret præstation

Mens AlphaGeometry var et gennembrud inden for AI-dreven matematisk resonnering, havde det visse begrænsninger. Det kæmpede med at løse komplekse problemer, manglede effektivitet i håndtering af et bredt udvalg af geometriudfordringer og havde begrænsninger i problem dækning. For at overvinde disse hindringer introducerer AlphaGeometry2 en række betydelige forbedringer:

1. Udvider AI’s evne til at forstå mere komplekse geometriproblemer

En af de mest betydelige forbedringer i AlphaGeometry2 er dets evne til at arbejde med et bredere udvalg af geometriproblemer. Den tidligere AlphaGeometry kæmpede med problemer, der involverede lineære ligninger af vinkler, forhold og afstande, samt dem, der krævede resonnering om flyttende punkter, linjer og cirkler. AlphaGeometry2 overvinder disse begrænsninger ved at introducere et mere avanceret sprogmodel, der giver det mulighed for at beskrive og analysere disse komplekse problemer. Som resultat kan det nu tackle 88% af alle IMO-geometriproblemer fra de sidste to årtier, en betydelig øgning fra den tidligere 66%.

2. En hurtigere og mere effektiv problem-løsningsmotor

En anden vigtig grund til, at AlphaGeometry2 fungerer så godt, er dens forbedrede symboliske motor. Denne motor, der fungerer som den logiske kerne i dette system, er blevet forbedret på flere måder. Først er den forbedret til at arbejde med en mere raffineret sæt af problem-løsningsregler, der gør den mere effektiv og hurtig. Anden, kan den nu genkende, når forskellige geometriske konstruktioner repræsenterer det samme punkt i et problem, hvilket giver det mulighed for at resonere mere fleksibelt. Tredje, er motoren blevet omskrevet i C++ i stedet for Python, hvilket gør den over 300 gange hurtigere end før. Denne hastighedsforbedring giver AlphaGeometry2 mulighed for at generere løsninger hurtigere og mere effektivt.

3. Træning af AI med mere komplekse og varierede geometriproblemer

Effektiviteten af AlphaGeometry2’s neurale model kommer fra dens omfattende træning i syntetiske geometriproblemer. AlphaGeometry genererede initialt en milliard tilfældige geometriske diagrammer for at skabe 100 millioner unikke trænings eksempler. AlphaGeometry2 tager dette et skridt videre ved at generere mere omfattende og komplekse diagrammer, der inkluderer intrikate geometriske relationer. Derudover inkorporerer det nu problemer, der kræver introduktion af hjælpekonstruktioner – nye definerede punkter eller linjer, der hjælper med at løse et problem, hvilket giver det mulighed for at forudsige og generere mere sofistikerede løsninger.

4. Find den bedste vej til en løsning med smartere søgestrategier

En nøgleinnovation i AlphaGeometry2 er dens nye søgeapproach, kaldet Shared Knowledge Ensemble of Search Trees (SKEST). I modsætning til sin forgænger, der afhængigt af en grundlæggende søgemetode, kører AlphaGeometry2 multiple søgninger i parallel, hvor hver søgning lærer af de andre. Denne teknik giver det mulighed for at udforske et bredere udvalg af mulige løsninger og forbedrer AI’s evne til at løse komplekse problemer på en kortere tid.

5. Lær af en mere avanceret sprogmodel

En anden vigtig faktor bag AlphaGeometry2’s succes er dets adoption af Google’s Gemini-model, en state-of-the-art AI-model, der er blevet trænet på en endnu mere omfattende og varieret samling af matematiske problemer. Denne nye sprogmodel forbedrer AlphaGeometry2’s evne til at generere trin-for-trin løsninger på grund af dens forbedrede kæde-af-tanke resonnering. Nu kan AlphaGeometry2 tilgangsproblemerne på en mere struktureret måde. Ved at finjustere sine forudsigelser og lære af forskellige typer problemer, kan systemet nu løse en langt større procentdel af Olympiad-niveau geometri spørgsmål.

Opnå resultater, der overgår menneskelige olympiske mestre

Takket være ovenstående fremskridt løser AlphaGeometry2 42 af 50 IMO-geometriproblemer fra 2000-2024, og opnår en 84% succesrate. Disse resultater overgår præstationen af en gennemsnitlig IMO-guldmedaljevinder og sætter en ny standard for AI-dreven matematisk resonnering. Udover sin imponerende præstation er AlphaGeometry2 også med til at automatisere bevisførelse, hvilket bringer os tættere på AI-systemer, der ikke kun kan løse geometriproblemer, men også forklare deres resonnering på en måde, der er forståelig for mennesker.

Fremtiden for AI i matematisk resonnering

Fremgangen fra AlphaGeometry til AlphaGeometry2 viser, hvordan AI bliver bedre til at håndtere komplekse matematiske problemer, der kræver dyb tænkning, logik og strategi. Det viser også, at AI ikke længere kun er om at genkende mønstre – det kan resonere, skabe forbindelser og løse problemer på måder, der føles mere som menneskeagtig logisk resonnering.

AlphaGeometry2 viser os også, hvad AI måske er i stand til i fremtiden. I stedet for kun at følge instruktioner, kan AI begynde at udforske nye matematiske ideer på egen hånd og endda hjælpe med videnskabelig forskning. Ved at kombinere neurale netværk med logisk resonnering, kan AI måske ikke kun være et værktøj, der kan automatisere simple opgaver, men en kvalificeret partner, der hjælper med at udvide menneskelig viden i fag, der afhænger af kritisk tænkning.

Kunne vi være på vej ind i en æra, hvor AI beviser teorier og finder nye opdagelser i fysik, ingeniørvidenskab og biologi? Mens AI skifter fra brute-force beregninger til mere tankefuld problem-løsning, kan vi være på vej mod en fremtid, hvor mennesker og AI arbejder sammen for at afsløre ideer, vi aldrig havde forestillet os.