AlphaGeometry2: Den AI som overgår menneskelige olympiademestere i geometri

Kunstig intelligens har lenge forsøkt å etterligne menneskelignende logisk resonnering. Mens det har gjort store fremgang i mønstergjenkjenning, har abstrakt resonnering og symbolsk deduksjon vært tøffe utfordringer for AI. Denne begrensningen blir særlig tydelig når AI brukes til matematisk problemløsing, en disiplin som lenge har vært et bevis på menneskelige kognitive evner som logisk tenkning, kreativitet og dyp forståelse. I motsetning til andre grener av matematikk som bygger på formular og algebraiske manipulasjoner, er geometri annerledes. Den krever ikke bare strukturert, steg-for-steg resonnering, men også evnen til å gjenkjenne skjulte relasjoner og ferdigheten til å konstruere ekstra elementer for å løse problemer.

For lenge var disse evnene tenkt å være unike for mennesker. However, Google DeepMind har arbeidet med å utvikle AI som kan løse disse komplekse resonerteknikkene. I fjor introduserte de AlphaGeometry, et AI-system som kombinerer den prediktive kraften til neurale nettverk med den strukturerte logikken til symbolsk resonnering for å takle komplekse geometriproblemer. Dette systemet hadde en betydelig innvirkning ved å løse 54% av Internasjonale Matematikkolympiadens (IMO) geometriproblemer og oppnå en prestasjon på par med sølvmedaljører. Nylig tok de det enda lenger med AlphaGeometry2, som oppnådde en usedvanlig 84% løsningsrate og overgikk en gjennomsnittlig IMO-gullmedaljør.

I denne artikkelen vil vi utforske nøkkelinnovasjonene som hjalp AlphaGeometry2 å oppnå dette nivået av prestasjon og hva denne utviklingen betyr for fremtiden til AI i løsning av komplekse resonerteknikker. Men før vi dykker ned i hva som gjør AlphaGeometry2 spesiell, er det essensielt å forstå hva AlphaGeometry er og hvordan det fungerer.

AlphaGeometry: Pioner AI i geometriproblemløsning

AlphaGeometry er et AI-system designet for å løse komplekse geometriproblemer på niveau med IMO. Det er i hovedsak et neuro-symbolisk system som kombinerer et neuralt språkmodell med en symbolsk deduksjonsmotor. Det neurale språkmodellen hjelper systemet til å forutsi nye geometriske konstruksjoner, mens symbolsk AI anvender formell logikk til å generere bevis. Denne oppsettet tillater AlphaGeometry å tenke mer som et menneske ved å kombinere mønstergjenkjenningsevnen til neurale nettverk, som repliserer intuitivt menneskelig tenkning, med den strukturerte resonneringen til formell logikk, som mimrer menneskelig deduktiv resonneringsevne. En av de viktigste innovasjonene i AlphaGeometry var hvordan det genererte treningsdata. I stedet for å basere seg på menneskelige demonstrasjoner, skapte det en milliard tilfeldige geometriske diagrammer og systematisk avledet relasjoner mellom punkter og linjer. Denne prosessen skapte en massiv datamengde på 100 millioner unike eksempler, som hjalp det neurale modellen til å forutsi funksjonelle geometriske konstruksjoner og guidet den symbolske motoren mot nøyaktige løsninger. Denne hybride tilnærmingen enablet AlphaGeometry til å løse 25 av 30 olympiadiske geometriproblemer innen standard konkurranse tid, tett på prestasjonen til topp menneskelige konkurrenter.

Hvordan AlphaGeometry2 oppnår forbedret prestasjon

Mens AlphaGeometry var et gjennombrudd i AI-drevet matematisk resonnering, hadde det visse begrensninger. Det kjempet med å løse komplekse problemer, manglet effektivitet i å håndtere en rekke geometriutfordringer og hadde begrensninger i problemdekning. For å overvinne disse hindrene, introduserer AlphaGeometry2 en rekke betydelige forbedringer:

1. Utvider AI sin evne til å forstå mer komplekse geometriproblemer

En av de viktigste forbedringene i AlphaGeometry2 er dens evne til å arbeide med en bredere rekke geometriproblemer. Den tidligere AlphaGeometry kjempet med problemer som involverte lineære ligninger om vinkler, forhold og avstander, samt de som krevde resonnering om flyttende punkter, linjer og sirkler. AlphaGeometry2 overvinner disse begrensningene ved å introdusere et mer avansert språkmodell som tillater det å beskrive og analysere disse komplekse problemene. Som resultat kan det nå takle 88% av alle IMO-geometriproblemer fra de siste to tiårene, en betydelig økning fra den tidligere 66%.

2. En raskere og mer effektiv problemløsingsmotor

En annen viktig årsak til at AlphaGeometry2 prestere så godt er dens forbedrede symbolske motor. Denne motoren, som fungerer som den logiske kernen i dette systemet, har blitt forbedret på flere måter. Først er den forbedret til å arbeide med en mer raffinert sett av problemløsningsregler, noe som gjør den mer effektiv og rask. For det andre kan den nå gjenkjenne når forskjellige geometriske konstruksjoner representerer samme punkt i et problem, noe som tillater det å resonere mer fleksibelt. Til slutt er motoren blitt omskrevet i C++ i stedet for Python, noe som gjør den over 300 ganger raskere enn før. Denne hastighetsforbedringen tillater AlphaGeometry2 å generere løsninger raskere og mer effektivt.

3. Trening av AI med mer komplekse og varierte geometriproblemer

Effektiviteten til AlphaGeometry2 sitt neurale modell kommer fra dens omfattende trening i syntetiske geometriproblemer. AlphaGeometry genererte initialt en milliard tilfeldige geometriske diagrammer for å skape 100 millioner unike trenings eksempler. AlphaGeometry2 tar dette et skritt videre ved å generere mer omfattende og komplekse diagrammer som inkluderer intrikate geometriske relasjoner. I tillegg inkorporerer det nå problemer som krever innføringen av hjelpekonstruksjoner – nydefinerte punkter eller linjer som hjelper til å løse et problem, noe som tillater det å forutsi og generere mer sofistikerte løsninger

4. Finn den beste veien til en løsning med smartere søkestrategier

En viktig innovasjon i AlphaGeometry2 er dens nye søkeapproach, kalt Shared Knowledge Ensemble of Search Trees (SKEST). I motsetning til sin forgjenger, som baserte seg på en grunnleggende søkemetode, kjører AlphaGeometry2 flere søk i parallell, hvor hvert søk lærer av de andre. Denne teknikken tillater det å utforske en bredere rekke av mulige løsninger og forbedrer betydelig AI sin evne til å løse komplekse problemer på en kortere tid.

5. Læring fra et mer avansert språkmodell

En annen viktig faktor bak AlphaGeometry2 sin suksess er dens adopsjon av Google’s Gemini-modell, en state-of-the-art AI-modell som har blitt trent på en enda mer omfattende og variert sett av matematisk problemer. Denne nye språkmodellen forbedrer AlphaGeometry2 sin evne til å generere steg-for-steg løsninger på grunn av dens forbedrede kjede-av-tenkning resonnering. Nå kan AlphaGeometry2 tilnærme problemene på en mer strukturert måte. Ved å finjustere sine forutsigelser og lære av forskjellige typer problemer, kan systemet nå løse en mye større prosent av olympiadiske geometriproblemer.

Oppnå resultater som overgår menneskelige olympiademestere

Takk til ovennevnte forbedringer, løser AlphaGeometry2 42 av 50 IMO-geometriproblemer fra 2000-2024, og oppnår en 84% løsningsrate. Disse resultater overgår prestasjonen til en gjennomsnittlig IMO-gullmedaljør og setter en ny standard for AI-drevet matematisk resonnering. Forbi dens imponerende prestasjon, er AlphaGeometry2 også på vei til å automatisere bevisføring, og bringer oss nærmere AI-systemer som ikke bare kan løse geometriproblemer, men også forklare sin resonnering på en måte som mennesker kan forstå

Fremtiden til AI i matematisk resonnering

Fremgangen fra AlphaGeometry til AlphaGeometry2 viser hvordan AI blir bedre til å håndtere komplekse matematisk problemer som krever dyp tenkning, logikk og strategi. Det viser også at AI ikke lenger bare er om å gjenkjenne mønster – det kan resonere, gjøre koblinger og løse problemer på måter som føles mer som menneskelig logisk resonnering.

AlphaGeometry2 viser oss også hva AI kan være i stand til i fremtiden. I stedet for bare å følge instruksjoner, kan AI begynne med å utforske nye matematiske ideer på egen hånd og sogar hjelpe med vitenskapelig forskning. Ved å kombinere neurale nettverk med logisk resonnering, kan AI ikke bare være et verktøy som kan automatisere enkle oppgaver, men en kvalifisert partner som hjelper til å utvide menneskelig kunnskap i felt som avhenger av kritisk tenkning.

Kan vi være på vei inn i en æra hvor AI beviser teorier og gjør nye oppdagelser i fysikk, ingeniørvitenskap og biologi? Mens AI skifter fra brute-force beregninger til mer tenkfylt problemløsning, kan vi være på randen av en fremtid hvor mennesker og AI arbeider sammen for å avdekke ideer vi aldri trodde var mulige.