DeepMind, научно-исследовательская лаборатория Google по искусственному интеллекту, считает, что путь к лучшей эффективности ИИ лежит через открытие новых способов решения сложных геометрических задач. AlphaGeometry – ее новая разработка, которая по уверениям DeepMind, решает геометрические задачи на уровне золотого медалиста.
ИИ AlphaGeometry с открытым исходным кодом решает 25 олимпиадных геометрических задач за стандартный лимит времени, превосходя 10 предыдущих аналогичных систем.
Почему акцент на геометрии? DeepMind утверждает, что доказательства математических теорем требуют аргументации и способности выбирать из ряда возможных шагов к решению. Этот подход может оказаться полезным в системах ИИ общего назначения.
«Демонстрация того, что конкретная гипотеза истинна или ложна, расширяет возможности даже самых совершенных систем искусственного интеллекта. В достижении этой цели способность доказывать математические теоремы важная веха, поскольку она демонстрирует мастерство логического мышления и способность открывать новые знания», — говорится в материалах DeepMind для прессы.
Обучение ИИ решению геометрических задач поднимает уникальные проблемы. Из-за сложности перевода доказательств в формат, понятный машинам, не хватает пригодных для использования геометрических обучающих данных. В разработке AlphaGeometry лаборатория объединила модель «нейронного языка», похожую на GPT, с «механизмом символьной дедукции», использующим математические правила для решения проблем. Символьные механизмы могут быть негибкими и медленными, особенно при работе с большим и сложным набором данных. Но DeepMind ускорила процесс благодаря тому, что нейронная модель «направляла» механизм дедукции к возможным ответам на геометрические вопросы.
Вместо обучающих данных DeepMind создал 100 миллионов «синтетических теорем» и доказательств разной сложности. Затем лаборатория научила AlphaGeometry с нуля на этих синтетических данных и оценила его на олимпиадных геометрических задачах.
Геометрические задачи базируются на чертежах и для решения нуждаются в добавлении новых геометрических фигур. AlphaGeometry предсказывает, какие фигуры нужно добавить в аналогичных задачах.
Результаты решения задач AlphaGeometry, которые были опубликованы в журнале Nature, подпитывают длительную дискуссию о том, должны ЛИ строиться на манипуляции символами или на основе нейронной сети, больше похожей на мозг.
Сторонники нейросетей говорят, что интеллектуальное поведение может возникнуть только при условии огромных объемов данных и вычислений. В отличие от символьных систем, решающих задачи путем определения наборов правил манипулирования символами для определенных типов задач, нейронные сети пытаются выполнять задачи путем статистической аппроксимации и обучения на примерах.
Нейронные сети представляют собой краеугольные камни мощных систем ИИ, таких как DALL-E 3 и GPT-4 от OpenAI. Но в отличие от них, что символьный ИИ способен более эффективно кодировать имеющиеся знания, обдумывать сложные сценарии и «объяснить», как он пришел к ответу. Гибридная символьно-нейронная сеть AlphaGeometry демонстрирует, что сочетание обоих подходов возможно наилучшим путем в поиске обобщенного ИИ.
Источник: Tech Chrunch