AlphaGeometry2: Искусственный интеллект, превосходящий человеческих чемпионов олимпиад по геометрии

Искусственный интеллект давно пытается имитировать человеческое логическое рассуждение. Хотя он сделал огромный прогресс в распознавании образов, абстрактное рассуждение и символическое вывод остаются сложными задачами для ИИ. Это ограничение становится особенно очевидным, когда ИИ используется для математического решения проблем, дисциплины, которая долгое время была свидетельством человеческих когнитивных способностей, таких как логическое мышление, творчество и глубокое понимание. В отличие от других разделов математики, которые полагаются на формулы и алгебраические манипуляции, геометрия отличается. Она требует не только структурированного, пошагового рассуждения, но и способности распознавать скрытые отношения и умения конструировать дополнительные элементы для решения проблем.

Долгое время эти способности считались уникальными для человека. Однако Google DeepMind работает над разработкой ИИ, который может решать эти сложные задачи рассуждения. В прошлом году они представили AlphaGeometry, систему ИИ, которая сочетает предсказательную силу нейронных сетей с структурированной логикой символического рассуждения для решения сложных геометрических задач. Эта система оказала значительное влияние, решив 54% задач геометрии Международной математической олимпиады (МО) и достигнув результатов, сопоставимых с серебряными медалистами. Недавно они пошли еще дальше с AlphaGeometry2, который достиг невероятного 84% решения задач и превзошел среднего чемпиона МО.

В этой статье мы рассмотрим ключевые инновации, которые помогли AlphaGeometry2 достичь такого уровня производительности, и что это развитие означает для будущего ИИ в решении сложных задач рассуждения. Но прежде чем погрузиться в то, что делает AlphaGeometry2 особенным, важно сначала понять, что такое AlphaGeometry и как она работает.

AlphaGeometry: Пионер ИИ в решении геометрических задач

AlphaGeometry – это система ИИ, предназначенная для решения сложных геометрических задач на уровне МО. Это基本но нейро-символическая система, которая сочетает нейронную языковую модель с символическим двигателем вывода. Нейронная языковая модель помогает системе предсказывать новые геометрические конструкции, а символический ИИ применяет формальную логику для генерации доказательств. Этот подход позволяет AlphaGeometry мыслить более как человек, сочетая возможности распознавания образов нейронных сетей, которые реплицируют интуитивное человеческое мышление, с структурированным рассуждением формальной логики, которая имитирует человеческие дедуктивные рассуждения. Одним из ключевых инноваций в AlphaGeometry было то, как она генерировала обучающие данные. Вместо того, чтобы полагаться на демонстрации человека, она создала один миллиард случайных геометрических диаграмм и систематически вывела отношения между точками и линиями. Этот процесс создал огромную базу данных из 100 миллионов уникальных примеров, giúpая нейронной модели предсказывать функциональные геометрические конструкции и направляя символический двигатель к точным решениям. Этот гибридный подход позволил AlphaGeometry решить 25 из 30 задач геометрии олимпиады в стандартное время соревнований, тесно сопоставив производительность лучших человеческих конкурентов.

Как AlphaGeometry2 достигает улучшенной производительности

Хотя AlphaGeometry была прорывом в ИИ-обусловленном математическом рассуждении, у нее были определенные ограничения. Она испытывала трудности с решением сложных задач, неэффективно обрабатывала широкий спектр геометрических задач и имела ограничения в покрытии задач. Чтобы преодолеть эти препятствия, AlphaGeometry2 вводит ряд значительных улучшений:

1. Расширение способности ИИ понимать более сложные геометрические задачи

Одним из наиболее значительных улучшений в AlphaGeometry2 является ее способность работать с более широким спектром геометрических задач. Предыдущая AlphaGeometry испытывала трудности с задачами, которые включали линейные уравнения углов, отношений и расстояний, а также те, которые требовали рассуждений о движущихся точках, линиях и кругах. AlphaGeometry2 преодолевает эти ограничения, вводя более совершенную языковую модель, которая позволяет ей описывать и анализировать эти сложные задачи. В результате она может теперь решать 88% всех задач геометрии МО за последние два десятилетия, что является значительным увеличением по сравнению с предыдущими 66%.

2. Более быстрый и эффективный двигатель решения задач

Другой ключевой фактор, который делает AlphaGeometry2 работать так хорошо, – это ее улучшенный символический двигатель. Этот двигатель, который служит логическим ядром этой системы, был улучшен несколькими способами. Во-первых, он был улучшен для работы с более совершенным набором правил решения задач, что делает его более эффективным и быстрым. Во-вторых, он может теперь распознавать, когда разные геометрические конструкции представляют одну и ту же точку в задаче, позволяя ему рассуждать более гибко. Наконец, двигатель был переписан на C++ вместо Python, что делает его более чем в 300 раз быстрее, чем раньше. Этот прирост скорости позволяет AlphaGeometry2 генерировать решения более быстро и эффективно.

3. Обучение ИИ более сложными и разнообразными геометрическими задачами

Эффективность нейронной модели AlphaGeometry2 заключается в ее обширном обучении на синтетических геометрических задачах. AlphaGeometry изначально генерировала один миллиард случайных геометрических диаграмм для создания 100 миллионов уникальных примеров обучения. AlphaGeometry2 идет дальше, генерируя более обширные и сложные диаграммы, которые включают в себя сложные геометрические отношения. Кроме того, она теперь включает задачи, которые требуют введения вспомогательных конструкций – новых определенных точек или линий, которые помогают решить задачу, позволяя ей предсказывать и генерировать более сложные решения.

4. Поиск лучшего пути к решению с помощью более умных стратегий поиска

Ключевым инновацией AlphaGeometry2 является ее новый подход к поиску, называемый Объединенным ансамблем поисковых деревьев (SKEST). В отличие от своего предшественника, который полагался на базовый метод поиска, AlphaGeometry2 запускает несколько поисков параллельно, и каждый поиск учится у других. Этот метод позволяет ей исследовать более широкий спектр возможных решений и значительно улучшает способность ИИ решать сложные задачи в более короткое время.

5. Обучение на более совершенной языковой модели

Другим ключевым фактором, который стоит за успехом AlphaGeometry2, является ее принятие модели Google Gemini, которая является моделью ИИ, обученной на более обширном и разнообразном наборе математических задач. Эта новая языковая модель улучшает способность AlphaGeometry2 генерировать пошаговые решения благодаря ее улучшенному цепочному рассуждению. Теперь AlphaGeometry2 может подойти к задачам более структурированным образом. Выполняя прогнозы и учась на разных типах задач, система может теперь решать гораздо большую долю задач олимпиадного уровня.

Достижение результатов, превосходящих человеческих чемпионов олимпиад

Благодаря вышеуказанным достижениям, AlphaGeometry2 решает 42 из 50 задач геометрии МО с 2000 по 2024 год, достигая 84% успеха. Эти результаты превосходят производительность среднего чемпиона МО и устанавливают новый стандарт для ИИ-обусловленного математического рассуждения. Помимо впечатляющей производительности, AlphaGeometry2 также делает шаги в автоматизации доказательства теорем, приближая нас к системам ИИ, которые могут не только решать геометрические задачи, но и объяснять свое рассуждение в方式, понятном человеку.

Будущее ИИ в математическом рассуждении

Прогресс от AlphaGeometry до AlphaGeometry2 показывает, как ИИ становится лучше в решении сложных математических задач, которые требуют глубокого мышления, логики и стратегии. Он также означает, что ИИ больше не только распознает образы – он может рассуждать, устанавливать связи и решать задачи способами, которые более похожи на человеческое логическое рассуждение.

AlphaGeometry2 также показывает нам, на что способен ИИ в будущем. Вместо того, чтобы просто следовать инструкциям, ИИ может начать исследовать новые математические идеи самостоятельно и даже помогать с научными исследованиями. Объединяя нейронные сети с логическим рассуждением, ИИ может не только быть инструментом, который может автоматизировать простые задачи, но и квалифицированным партнером, который помогает расширить человеческие знания в областях, которые полагаются на критическое мышление.

Можем ли мы вступить в эру, когда ИИ доказывает теоремы и делает новые открытия в физике, инженерии и биологии? Когда ИИ переходит от грубых расчетов к более вдумчивому решению проблем, мы можем быть на пороге будущего, где люди и ИИ работают вместе, чтобы открыть идеи, которые мы никогда не думали возможными.