Intelligence с шероховатой кривой: почему ИИ выигрывает олимпийские математические задачи, но спотыкается о школьную математику

Сообщество искусственного интеллекта отпраздновало заметный рубеж в 2025 году, когда системы ИИ от Google DeepMind (GOOGL ) и OpenAI достигли золотой медали на Международной математической олимпиаде. Эти модели ИИ решили задачи, которые смогли решить только несколько самых ярких молодых математиков мира. Однако эти же системы часто спотыкаются, когда им предлагают выполнить базовые арифметические операции, которые любой среднешкольник может выполнить с легкостью. Этот поразительный парадокс раскрывает что-то фундаментальное о природе искусственного интеллекта сегодня. Мы наблюдаем возникновение того, что можно назвать только интеллектом с шероховатой кривой, когда машины демонстрируют сверхчеловеческие способности в определенных областях, а в задачах, которые мы считаем элементарными, терпят неудачу.

Олимпийский триумф

Международная математическая олимпиада является ведущим стандартом в предуниверситетских математических соревнованиях. Каждый год самые яркие молодые математики со всего мира решают шесть задач, которые требуют глубокого понимания, творческого мышления и высокоуровневых методов доказательства. В 2025 году системы ИИ от Google DeepMind и OpenAI набрали 35 из 42 баллов, что было достаточно для получения золотых медалей. AlphaGeometry 2 от DeepMind решила сложную задачу по геометрии всего за 19 секунд, а AlphaProof решила задачи по теории чисел и алгебре, которые поставили в тупик большинство участников.

Элементарная борьба

Одни и те же системы ИИ, которые добились успеха на олимпийских задачах, часто терпят неудачу в задачах, которые кажутся тривиальными. Например, если вы попросите их умножить большие числа, они могут уверенно дать неверные ответы. Аналогично, если вы попытаетесь выполнить другие базовые арифметические операции, их производительность становится непредсказуемой. Проблема не ограничивается простым расчетом. Эти системы часто испытывают трудности с задачами, которые требуют отслеживания нескольких величин, понимания реального контекста или применения базовых математических операций в последовательности.

Парадокс архитектуры

Противоречие между олимпийским успехом и арифметической неудачей раскрывает более глубокую архитектурную проблему. Современные системы ИИ отлично справляются с задачами, которые можно решить с помощью распознавания образов, логических выводов и системного поиска в пространстве решений. Олимпийские задачи, несмотря на свою сложность, часто имеют элегантные структуры, которые ИИ может использовать. Системы могут исследовать разные стратегии доказательств, проверять логические шаги и строить на основе установленных математических рамок. Они работают в мире символов и правил, где доминируют последовательность и логика.

Тренировочные данные и их ограничения

Возможности ИИ в значительной степени зависят от качества и характера тренировочных данных. Математические доказательства и продвинутые задачи часто появляются в хорошо структурированных форматах в Интернете. Академические статьи, учебники и образовательные ресурсы предоставляют четкие примеры математического рассуждения. Интернет содержит обширные обсуждения математических концепций, методов доказательства и стратегий решения задач. Этот богатый корпус позволяет системам ИИ изучать продвинутые математические концепции.

Последствия для разработки ИИ

Этот неравномерный узор интеллекта имеет важные последствия для того, как мы проектируем и используем системы ИИ. Мы не можем предполагать, что успех в сложных задачах означает компетентность в более простых. ИИ, способный доказать математические теоремы, может потерпеть неудачу в балансировании чековой книги. Система, которая пишет компьютерный код, может испытывать трудности с базовым счетом. Эта реальность требует тщательного рассмотрения возможностей и ограничений ИИ в реальных приложениях.

Путь вперед

Признание интеллекта с шероховатой кривой дает более четкое направление для создания более способных систем ИИ. Исследователи разрабатывают методы интеграции вычислительных инструментов в языковые модели, что позволяет им делегировать арифметику калькуляторам. Новые стратегии обучения фокусируются на обучении моделей, когда использовать внешние инструменты, вместо того, чтобы пытаться внутренне освоить каждый навык. Этот подход отражает человеческий интеллект, когда мы полагаемся на калькуляторы для расчетов и сохраняем наши умственные усилия для более высокоуровневого рассуждения.

Основная мысль

Успех ИИ в решении олимпийских задач, но неудача в простой математике показывает, что интеллект не развивается равномерно. Эти системы могут быть блестящими в одной области и слабыми в другой. Понимание этого неравномерного узора важно для того, как мы проектируем и используем ИИ. Вместо того, чтобы ожидать, что одна модель сможет все, мы можем потребовать комбинации разных подходов, которые используют сильные стороны каждой системы. Реальный прогресс будет достигнут за счет создания ИИ, который работает надежно на практике, а не за счет предположения, что он будет хорош в каждой задаче.