Η πιο πρόσφατη τεχνητή νοημοσύνη της Google ξεπερνά όλες τις επιδόσεις εκτός από τους κορυφαίους Ολυμπιονίκες στα Μαθηματικά

By | January 19, 2024

Πρέπει να είναι δύσκολο να είσαι παιδί αυτές τις μέρες. Γεννημένος πολύ αργά για να εκμεταλλευτεί πραγματικά το διαδίκτυο, πολύ νωρίς για να δηλώσει τον εαυτό του θεό αυτοκράτορα μιας ερήμου που έχει καταστραφεί από την έλλειψη νερού και το guzzolin – και αν προσπαθήσεις να μουδιάσεις τον πόνο με λίγα μαθηματικά, μάλλον θα πρέπει να έρθεις δεύτερος τοποθετήστε πίσω από ένα ρομπότ.

«Η Διεθνής Ολυμπιάδα Μαθηματικών είναι μια σύγχρονη αρένα για τους πιο έξυπνους μαθηματικούς γυμνασίου στον κόσμο», γράφουν οι Trieu Trinh και Thang Luong, ερευνητές στο Google DeepMind, σε μια νέα ανάρτηση ιστολογίου σχετικά με το καινοτόμο σύστημα τεχνητής νοημοσύνης τους (A.I.), AlphaGeometry.

Το AlphaGeometry είναι «ένα σύστημα τεχνητής νοημοσύνης που λύνει σύνθετα προβλήματα γεωμετρίας σε επίπεδο που προσεγγίζει αυτό ενός ανθρώπου χρυσού Ολυμπιονίκη – μια σημαντική ανακάλυψη στην απόδοση της τεχνητής νοημοσύνης», ανακοινώνουν. «Σε μια δοκιμή συγκριτικής αξιολόγησης 30 προβλημάτων γεωμετρίας των Ολυμπιάδων, το AlphaGeometry έλυσε 25 εντός του τυπικού χρονικού ορίου της Ολυμπιάδας. Να συγκρίνω […] ο μέσος άνθρωπος χρυσός Ολυμπιονίκης έλυσε 25,9 προβλήματα».

Δεν είναι μόνο η βαθμολογία ανταγωνισμού του συστήματος που είναι εντυπωσιακή. Έχουν περάσει σχεδόν 50 χρόνια από την πρώτη μαθηματική απόδειξη με τη βοήθεια υπολογιστή – ουσιαστικά μια ανάλυση ωμής δύναμης του θεωρήματος των τεσσάρων χρωμάτων – και από τότε, η ομολογουμένως αμφιλεγόμενη σφαίρα των αποδείξεων με τη βοήθεια υπολογιστή έχει αυξηθεί με άλματα και όρια.

Αλλά πολύ πρόσφατα, με την εμφάνιση πραγμάτων όπως τα μεγάλα δεδομένα και οι προηγμένες τεχνικές μηχανικής εκμάθησης, αρχίσαμε να βλέπουμε μια στροφή – όσο μικρή κι αν είναι – από τη χρήση των υπολογιστών ως απλών υπολογιστών και προς την τεχνητή νοημοσύνη που μπορεί να παράγει αποδεικτικά στοιχεία. γνήσια δημιουργική. .

Το γεγονός ότι η AlphaGeometry μπορεί να λύσει τους τύπους πολύπλοκων μαθηματικών προβλημάτων που αντιμετωπίζουν οι Ολυμπιακοί αθλητές θα μπορούσε να σηματοδοτήσει ένα σημαντικό ορόσημο στην έρευνα της τεχνητής νοημοσύνης, πιστεύουν οι Trinh και Luong.

Μέχρι τώρα, ένα τέτοιο πρόγραμμα θα αντιμετώπιζε τουλάχιστον δύο μεγάλα εμπόδια. Πρώτα απ ‘όλα, οι υπολογιστές είναι, λοιπόν, Υπολογιστές; Όπως μπορεί να σας πει οποιοσδήποτε έχει γράψει ποτέ 50 σελίδες κώδικα μόνο για να αποτραπεί από ένα λάθος ερωτηματικό στη γραμμή 337, δεν είναι καλός σε πράγματα όπως η συλλογιστική ή η έκπτωση. Δεύτερον, είναι κάπως δύσκολο να διδάξουμε μαθηματικά ακόμη και στο πιο προηγμένο σύστημα μηχανικής μάθησης.

«Τα συστήματα μάθησης όπως τα νευρωνικά δίκτυα είναι πολύ κακά στο να κάνουν «αλγεβρικό συλλογισμό», είπε ο David Saxton, επίσης στο DeepMind, στο New Scientist το 2019.

«Οι άνθρωποι είναι καλοί [math]», πρόσθεσε, «αλλά χρησιμοποιούν γενικές συλλογιστικές δεξιότητες που δεν διαθέτουν τα σημερινά συστήματα τεχνητής μάθησης».

Το AlphaGeometry, ωστόσο, αντιμετωπίζει αυτές τις προκλήσεις συνδυάζοντας ένα μοντέλο νευρωνικής γλώσσας – καλό στο να κάνει γρήγορες προβλέψεις, αλλά τρομερό στο να έχει πραγματικό νόημα – με μια συμβολική μηχανή αφαίρεσης. Αυτές οι τελευταίες μηχανές «βασίζονται στην τυπική λογική και χρησιμοποιούν σαφείς κανόνες για να καταλήξουν σε συμπεράσματα», γράφουν οι Trinh και Luong, καθιστώντας τις καλύτερες στην ορθολογική έκπτωση, αλλά και αργές και άκαμπτες — «ειδικά όταν αντιμετωπίζουν μεγάλα, πολύπλοκα προβλήματα από μόνα τους». ”

Μαζί, τα δύο συστήματα λειτουργούσαν σε ένα είδος βρόχου: ο συμβολικός μηχανισμός αφαίρεσης θα λειτουργούσε στο πρόβλημα μέχρι να κολλήσει, οπότε το γλωσσικό μοντέλο θα πρότεινε μια προσαρμογή στο επιχείρημα. Ήταν μια σπουδαία θεωρία – υπήρχε μόνο ένα πρόβλημα. Σε τι θα εκπαίδευαν το γλωσσικό μοντέλο;

Στην ιδανική περίπτωση, το πρόγραμμα θα τροφοδοτούσε εκατομμύρια, αν όχι δισεκατομμύρια, τεχνητές γεωμετρικές αποδείξεις, τις οποίες στη συνέχεια θα μπορούσε να μασήσει και να φτύσει ξανά σε διάφορα επίπεδα καταβροχθισμού. Αλλά το “τεχνητό” και το “γεωμετρικό” δεν παίζουν καλά με το “πρόγραμμα υπολογιστή” – “[AlphaGeometry] δεν «βλέπει» τίποτα για τα προβλήματα που λύνει», δήλωσε στους New York Times ο Stanislas Dehaene, γνωστικός νευροεπιστήμονας στο Collège de France που μελετά τη θεμελιώδη γεωμετρική γνώση. «Δεν υπάρχει καμία απολύτως χωρική επίγνωση των κύκλων, των γραμμών και των τριγώνων που το σύστημα μαθαίνει να χειρίζεται».

Έτσι η ομάδα έπρεπε να βρει μια διαφορετική λύση. «Χρησιμοποιώντας εξαιρετικά παραλληλισμένους υπολογιστές, το σύστημα ξεκίνησε δημιουργώντας ένα δισεκατομμύριο τυχαία διαγράμματα γεωμετρικών αντικειμένων και εξήγαγε εξαντλητικά όλες τις σχέσεις μεταξύ των σημείων και των γραμμών σε κάθε διάγραμμα», εξηγούν οι Trinh και Luong.

«Η AlphaGeometry βρήκε όλες τις αποδείξεις που περιέχονται σε κάθε διάγραμμα και στη συνέχεια εργάστηκε προς τα πίσω για να καταλάβει ποιες πρόσθετες κατασκευές, εάν υπήρχαν, χρειάζονταν για να καταλήξουν σε αυτές τις αποδείξεις», συνεχίζουν. Ονομάζουν αυτή τη διαδικασία «συμβολική αφαίρεση και ανίχνευση».

Και ήταν προφανώς επιτυχημένο: όχι μόνο η τεχνητή νοημοσύνη ήταν σχεδόν εξίσου καλή με τον μέσο άνθρωπο που κατέκτησε το χρυσό μετάλλιο του ΙΜΟ, ήταν επίσης 2,5 φορές πιο επιτυχημένη από το προηγούμενο σύστημα τελευταίας τεχνολογίας στην αντιμετώπιση της πρόκλησης. «Οι γεωμετρικές του ικανότητες από μόνες το καθιστούν το πρώτο μοντέλο τεχνητής νοημοσύνης στον κόσμο ικανό να ξεπεράσει το κατώφλι για το χάλκινο μετάλλιο του ΙΜΟ το 2000 και το 2015», σημειώνουν το δίδυμο.

Αν και το σύστημα περιορίζεται επί του παρόντος σε προβλήματα γεωμετρίας, οι Trinh και Luong ελπίζουν να επεκτείνουν τις δυνατότητες της μαθηματικής τεχνητής νοημοσύνης σε πολλούς περισσότερους κλάδους.

«Δεν κάνουμε σταδιακές βελτιώσεις», είπε ο Τριν στους Times. «Κάνουμε ένα μεγάλο άλμα, μια μεγάλη πρόοδο όσον αφορά τα αποτελέσματα».

«Απλώς μην το παρακάνετε», πρόσθεσε.

Leave a Reply

Your email address will not be published. Required fields are marked *