AlphaGeometry: Система штучного інтелекту DeepMind освоїла геометрію на рівні олімпіад

У постійно розвивається ландшафті штучного інтелекту завоювання когнітивних здатностей було цікавим шляхом. Математика, з її складними узорами та творчим розв’язанням проблем, стоїть як свідчення людської інтелектуальності. Хоча останні досягнення у сфері моделей мови добре справились із розв’язанням словесних проблем, область геометрії поставила унікальну виклик. Опис візуальних та символічних нюансів геометрії словами створює порожнину у навчальних даних, обмежуючи здатність штучного інтелекту вивчити ефективне розв’язання проблем. Цей виклик спонукав компанію DeepMind, дочірню компанію Google (GOOGL ), представити AlphaGeometry – революційну систему штучного інтелекту, розроблену для освоєння складних геометричних проблем.

Обмеження символічного штучного інтелекту у геометрії

Домінантний підхід штучного інтелекту для геометрії сильно залежить від правил, створених людьми. Хоча цей символічний штучний інтелект ефективний для простих проблем, він зустрічає труднощі у гнучкості, особливо коли стикається з незвичайними або новими геометричними сценаріями. Нездатність передбачити приховані головоломки або допоміжні точки, важливі для доведення складних геометричних проблем, підкреслює обмеження залежності лише від попередньо визначених правил. Крім того, створення вичерпних правил для кожної можливої ситуації стає недоцільним, оскільки проблеми зростають у складності, що призводить до обмеженої покриття та проблем зі масштабованістю.

Нейро-символічний підхід AlphaGeometry

Система AlphaGeometry компанії DeepMind поєднує великі мовні моделі (LLM) з символічним штучним інтелектом для навігації у складному світі геометрії. Цей нейро-символічний підхід визнає, що розв’язання геометричних проблем вимагає як застосування правил, так і інтуїції. LLM наділяє систему інтуїтивними можливостями передбачення нових геометричних конструкцій, тоді як символічний штучний інтелект застосовує формальну логіку для суворого генерування доведень.

У цьому динамічному взаємозв’язку LLM аналізує численні можливості, передбачаючи конструкції, важливі для розв’язання проблем. Ці передбачення діють як підказки, допомагаючи символічному двигуну робити висновки та наближатися до розв’язку. Це інноваційне поєднання відрізняє AlphaGeometry, дозволяючи їй займатися складними геометричними проблемами за межами традиційних сценаріїв.

Нейро-символічний підхід AlphaGeometry узгоджується з теорією подвійного процесу, концепцією, яка розділяє людську когніцію на два системи – одну, яка забезпечує швидкі, інтуїтивні ідеї, та іншу, більш обдуману, раціональну прийняття рішень. LLM добре справляються з ідентифікацією загальних узорів, але часто缺ують суворого висновку, тоді як символічні двигуни висновку залежать від чітких правил, але можуть бути повільними та негнучкими. AlphaGeometry використовує сильні сторони обох систем, з LLM, яка спрямовує символічний двигун висновку до ймовірних розв’язків.

Навчання з синтетичних даних

Щоб подолати нестачу реальних даних, дослідники компанії DeepMind навчали мовну модель AlphaGeometry, використовуючи синтетичні дані. Було згенеровано майже половину мільярда випадкових геометричних діаграм, і символічний двигун проаналізував кожну діаграму, створюючи твердження про її властивості. Ці твердження були потім організовані у 100 мільйонів синтетичних даних для навчання мовної моделі. Навчання відбувалось у два етапи: попереднє навчання мовної моделі на всіх згенерованих синтетичних даних та налаштування її для передбачення корисних підказок, необхідних для розв’язання проблем за допомогою символічних правил.

Виступ AlphaGeometry на рівні олімпіад

AlphaGeometry тестується на основі критеріїв, встановлених Міжнародною математичною олімпіадою (IMO), престижним змаганням, відомим своїми винятково високими стандартами у математичному розв’язанні проблем. Досягнувши похвального результату, AlphaGeometry успішно розв’язала 25 із 30 проблем у відведений час, демонструючи результат на рівні з результатом медаліста IMO. Відзначимо, що попередня система state-of-the-art змогла розв’язати лише 10 проблем. Дійсність розв’язків AlphaGeometry була підтверджена тренером команди США на IMO, досвідченим оцінювачем, який рекомендував повні бали за розв’язки AlphaGeometry.

Вплив AlphaGeometry

Вражаючі навички розв’язання проблем AlphaGeometry представляють значний крок у звуженні розриву між машинним та людським мисленням. За межами її ефективності як цінного інструменту для персоналізованої освіти у математиці, цей новий розвиток штучного інтелекту має потенціал вплинути на різні галузі. Наприклад, у галузі комп’ютерного зору AlphaGeometry може підвищити розуміння зображень, покращуючи виявлення об’єктів та просторове розуміння для більш точного машинного зору. Спроможність AlphaGeometry справлятися зі складними просторовими конфігураціями має потенціал перетворити галузі, такі як архітектурне проектування та планування конструкцій. За межами її практичних застосунків AlphaGeometry може бути корисною для дослідження теоретичних галузей, таких як фізика. З її можливістю моделювати складні геометричні форми, вона може відіграти ключову роль у розкритті складних теорій та відкритті нових прозрінь у галузі теоретичної фізики.

Обмеження AlphaGeometry

Хоча AlphaGeometry демонструє вражаючі досягнення у здатності штучного інтелекту до висновків та розв’язання математичних проблем, вона зустрічає певні обмеження. Залежність від символічних двигунів для генерації синтетичних даних створює виклики для її адаптивності у справі широкого спектра математичних сценаріїв та інших застосунків. Нестача різноманітних геометричних навчальних даних створює обмеження у справі нюансів, необхідних для складних математичних проблем. Її залежність від символічного двигуна, характеризованого суворими правилами, може обмежити гнучкість, особливо у незвичайних або абстрактних сценаріях розв’язання проблем. Тому, хоча вона є ефективною у “елементарній” математиці, AlphaGeometry зараз не дотягує до рівня університетських проблем. Подолання цих обмежень буде важливим для покращення застосованості AlphaGeometry у різних математичних галузях.

Висновок

Система AlphaGeometry компанії DeepMind представляє революційний крок у здатності штучного інтелекту до освоєння складних геометричних проблем, демонструючи нейро-символічний підхід, який поєднує великі мовні моделі з традиційним символічним штучним інтелектом. Це інноваційне поєднання дозволяє AlphaGeometry excelling у розв’язанні проблем, як було продемонстровано її вражаючими результатами на Міжнародній математичній олімпіаді. Однак система зустрічає виклики, такі як залежність від символічних двигунів та нестача різноманітних навчальних даних, обмежуючи її адаптивність до складних математичних сценаріїв та застосунків за межами математики. Подолання цих обмежень буде важливим для того, щоб AlphaGeometry могла реалізувати свій потенціал у трансформації розв’язання проблем у різних галузях та звуженні розриву між машинним та людським мисленням.