أحرزت Google Deepmind تقدمًا غير مسبوق في حل المشكلات الهندسية ، متجاوزًا أداء الفائزين العادي بالميداليات الذهبية في الأولمبياد الدولي للرياضيات (IMO).
يعتبر النظام ، الذي يسمى Alphageometry2 ، نسخة محسنة من القياس Alphageometry الذي كشفته DeepMind العام الماضي.
وفقا لدراسة حديثة مرت الذكاء الاصطناعي في الحل 84 ٪ من القضايا الهندسية التي تم عرضها في الأولمبياد خلال الـ 25 عامًا الماضية.
لماذا تهتم DeepMind بمسابقة رياضيات لطلاب المدارس؟
يرى DeepMind أن تطوير طرق جديدة لحل الهندسة الإقليدية يمكن أن يكون مفتاحًا لصنع ذكاء أكثر تقدماً.
يتطلب حل القضايا الرياضية وإثبات النظريات المنطق والتفكير ، والتي هي المهارات التي يمكن أن تساعد في تمكين أنظمة الذكاء الاصطناعي من التفكير وحل المشكلات المعقدة في المستقبل.
في صيف عام 2024 ، جرب DeepMind نموذجًا يجمع بين Alphageometry2 ونظام آخر يسمى Alphaproff ، متخصص في الروح الرياضية ، ويمكّن النموذج المشترك من حل 4 من أصل 6 قضايا في مسابقة IMO لعام 2024 ، الذي يفتح الباب للتطبيقات الأوسع في الرياضيات والهندسة وغيرها من العلوم.
كيف يعمل AlphaGeometry2؟
يعتمد Alphageometry2 على نموذج لغة Gremini مع المحرك الرمزي.
يتنبأ نموذج الجوزاء بالعناصر الهندسية التي يمكن إضافتها إلى المشكلة (مثل النقاط أو الخطوط أو الدوائر).
يستخدم المحرك الرمزي القواعد الرياضية لاستنتاج الحلول وتوفير أدلة رياضية متسقة.
وتتيح خوارزمية البحث المتقدمة العديد من البحث عن الحلول في وقت واحد وتخزن النتائج المحتملة.
تعتبر المشكلة “حل” إذا كان النظام يمكن أن يجد مقاومة رياضية يجمع بين اقتراحات نموذج الجوزاء مع القواعد الرياضية في المحرك الرمزي.
تحديات تدريب الذكاء الاصطناعي على الهندسة
نظرًا لندرة البيانات الهندسية المناسبة للتدريب على الذكاء الاصطناعي ، أنتجت DeepMind 300 مليون رياضة وأدلة مع درجة مختلفة من التعقيد لاستخدامها في شكل النموذج.
في الاختبارات ، تم حل Alphageometry2 42 من أصل 50 إصدارًا في الأولمبياد الدولي للرياضيات بين عامي 2000 و 2024 ، أفضل من متوسط الأداء الفائزين بالميداليات الذهبي هو 40.9 القضية.
ومع ذلك ، عندما تم اختبار النظام على 29 مشكلة صعبة أخرى (لم يتم استخدامه في المنافسة من قبل ، ولكن خبراء الرياضيات رشحوه) ، تمكن فقط من حل 20 منهم والكشف عن بعض القيود.
صراع المناهج: الشبكات العصبية مقابل الأنظمة الرمزية
يستخدم Alphageometry2 نهجًا هجينًا يجمع بين الشبكات العصبية والذكاء الاصطناعي الرمزي.
يرون أنصار شبكات الأعصاب الذين يمكنهم تعلم الذكاء الاصطناعي لحل المشكلات من خلال تحليل كميات كبيرة من البيانات دون الحاجة إلى قواعد رياضية صارمة.
يعتقد المؤيدون الرمزيون للذكاء الاصطناعي أن الأنظمة التي تعتمد على الرمزية تنتج استنتاجات أكثر توضيحًا ومنطقية أكثر من شبكات الأعصاب.
يشير نجاح Alphageometry2 إلى أن الجمع بين النهر يمكن أن يكون الحل الأمثل لبناء أنظمة ذكية اصطناعية قوية. في الاختبارات ، لم يستطع نظام O1 ، أحد أحدث النماذج للذكاء الاصطناعي في Openai ، حل أي مشكلات IMO التي نجح فيها Alphageometry2.
هل يمكن للشبكات العصبية أن تعمل بدون الذكاء الاصطناعي الرمزي؟
يشير باحثو DeepMind إلى أدلة مؤقتة على أن نموذج الجوزاء في Alphageometry2 قد يجد حلولًا رياضية جزئية دون الحاجة إلى محرك رمزي.
ومع ذلك ، ما لم يتم تحسن سرعة نماذج اللغة ويتم القضاء على مشكلة “الهلوسة للذكاء الاصطناعي” ، فستظل الذكاء الاصطناعي الرمزي ضروريًا لتطبيقات الرياضيات المتقدمة.
خلاصة
Alphageometry2 يحقق إنجازًا تاريخيًا من خلال حل القضايا الأولمبياد الدولي للرياضيات على مستوى يتجاوز الفائزين بالميداليات ذهبي.
فهو يجمع بين الشبكات العصبية والذكاء الاصطناعي الرمزي لإيجاد حلول دقيقة للقضايا الهندسية المعقدة.
يتم فتح الباب لاستخدام الذكاء الاصطناعي في العلوم والرياضيات والهندسة بطرق غير مسبوقة.
