AI 모델 및 플랫폼
국제 수학 올림피아드에서 AI의 출전: AlphaProof와 AlphaGeometry 2가 은메달 수준에 도달한 방법
Unite.AI를 Google의 선호 소스에 추가
수학적推論은 인간의 인지 능력의 중요한 측면으로, 과학적 발견과 기술 개발의 발전에 기여합니다. 인간의 인지 능력과 동등한 인공지능을 개발하기 위해서는 인공지능에 고급 수학적推論 능력을 제공하는 것이 필수적입니다. 현재의 인공지능 시스템은 기본적인 수학 문제를 처리할 수 있지만, 대수와 기하학 gibi 고급 수학 분야에서 필요한 복잡한 推論을 처리하는 데 어려움을 겪고 있습니다. 그러나 이러한 어려움은 구글의 딥마인드가 수학적推論 능력을 향상시키는 데 중요한 발전을 이루면서 해결될 수 있습니다. 이 발전은 2024년 국제 수학 올림피아드(IMO)에서 이루어졌습니다. 1959년에 설립된 IMO는 가장 오래된 수학 경쟁으로, 고등학생들에게 대수, 조합론, 기하학, 수론 등의 문제를 내서 경쟁합니다. 매년, 젊은 수학자들이 6개의 매우 어려운 문제를 해결하기 위해 경쟁합니다. 구글의 딥마인드는 두 가지 인공지능 시스템, AlphaProof와 AlphaGeometry 2,를 소개했습니다. AlphaProof는 형식적인 수학적推論에 중점을 둡니다. AlphaGeometry 2는 기하학적 문제를 해결하는 데 전문입니다. 이러한 시스템은 6개의 문제 중 4개를 해결하여 은메달 수준의 성과를 거두었습니다. 이 글에서는 이러한 시스템이 어떻게 수학적 문제를 해결하는지 살펴보겠습니다.
AlphaProof: AI와 형식 언어를 결합한 수학 정리 증명
AlphaProof는 형식 언어 Lean을 사용하여 수학적 진술을 증명하는 인공지능 시스템입니다. Gemini라는 사전 훈련된 언어 모델과 AlphaZero라는 강화 학습 알고리즘을 결합합니다. Gemini 모델은 자연 언어 문제 진술을 형식적인 것으로 번역하여 다양한 난이도의 문제 라이브러리를 생성합니다. AlphaProof는 문제를 만나면 잠재적인 해결책을 생성하고 Lean에서 증명 단계를 검색하여 이를 증명하거나 반증합니다. 이는 신경망과 기호적 형식 언어를 결합한 신경-기호적 접근 방식입니다. AlphaZero의 자가 게임 메커니즘과 유사하게, AlphaProof는 수학적 진술을 증명하거나 반증함으로써 스스로를 훈련합니다.
AlphaGeometry 2: 기호적 AI와の大語言 모델을 결합한 기하학 문제 해결
AlphaGeometry 2는 기하학적 문제를 해결하는 데 전문인 인공지능 시스템입니다. AlphaGeometry의 최신 버전으로, 신경-기호적 접근 방식을 사용하여 기하학적 문제를 해결합니다. AlphaGeometry 2는 Gemini라는 대규모 언어 모델을 사용하여 기하학적 구조를 예측하고, 기호적 AI를 사용하여 공식 논리를 적용하여 증명을 생성합니다.
AlphaProof와 AlphaGeometry 2의 IMO 출전
2024년 IMO에서 AlphaProof와 AlphaGeometry 2는 6개의 문제를 해결하기 위해 출전했습니다. AlphaProof는 두 개의 대수 문제와 한 개의 수론 문제를 해결했습니다. AlphaGeometry 2는 기하학 문제를 해결했습니다. 각 문제는 7점으로, 최대 42점을 얻을 수 있습니다. AlphaProof와 AlphaGeometry 2는 28점을 얻어, 은메달 수준의 성과를 거두었습니다.
다음 도약: 수학 문제를 위한 자연 언어
AlphaProof와 AlphaGeometry 2는 수학적 문제 해결 능력에서 중요한 발전을 이루었습니다. 그러나 이러한 시스템은 여전히 인간 전문가의 도움이 필요합니다. 구글의 연구자들은 Gemini와 최신 연구를 기반으로 하는 자연 언어 推論 시스템을 개발 중입니다. 이 시스템은 형식 언어 번역 없이 문제 해결 능력을 향상시키는 것을 목표로 합니다.
결론
AlphaProof와 AlphaGeometry 2의 IMO 출전은 인공지능의 수학적 문제 해결 능력에서 중요한 발전을 나타냅니다. 두 시스템은 은메달 수준의 성과를 거두어, 형식적 증명과 기하학적 문제 해결 능력에서 중요한 발전을 이루었습니다. 그러나 이러한 시스템은 여전히 인간의 입력이 필요하며, 다른 인공지능 시스템과 통합하는 데 어려움을 겪고 있습니다. 향후 연구는 이러한 시스템을 더욱 향상시키는 데 중점을 둘 것입니다.
