DeepMind, науково-дослідна лабораторія Google зі штучного інтелекту, вважає, що шлях до кращої ефективності штучного інтелекту лежить через відкриття нових способів розв’язання складних геометричних задач. AlphaGeometry – її нова розробка, яка, за запевненнями DeepMind, розв’язує геометричні задачі на рівні золотого медаліста.
ШІ AlphaGeometry з відкритим вихідним кодом розв’язує 25 олімпіадних геометричних завдань за стандартний ліміт часу, перевершуючи 10 попередніх аналогічних систем.
Чому акцент на геометрії? DeepMind стверджує, що доведення математичних теорем аргументації та здатності вибирати з ряду можливих кроків до розв’язання. Цей підхід може виявитися корисним у системах ШІ загального призначення.
«Демонстрація того, що конкретна гіпотеза є істинною чи хибною, розширює можливості навіть найдосконаліших систем штучного інтелекту. У досягненні цієї мети здатність доводити математичні теореми є важливою віхою, оскільки вона демонструє майстерність логічного мислення та здатність відкривати нові знання», — йдеться в матеріалах DeepMind для преси.
Навчання ШІ розв’язанню геометричних задач підіймає унікальні проблеми. Через складність перекладу доказів у формат, зрозумілий машинам, не вистачає придатних для використання геометричних навчальних даних. У розробці AlphaGeometry лабораторія об’єднала модель «нейронної мови», схожу на GPT, з «механізмом символьної дедукції», який використовує, математичні правила для розв’язання проблем. Символьні механізми можуть бути негнучкими та повільними, особливо при роботі з великими та складними наборами даних. Але DeepMind пришвидшила процес завдяки тому, що нейронна модель «направляла» механізм дедукції через можливі відповіді на геометричні питання.
Замість навчальних даних DeepMind створив 100 мільйонів «синтетичних теорем» і доказів різної складності. Потім лабораторія навчила AlphaGeometry з нуля на цих синтетичних даних та оцінила його на олімпіадних геометричних задачах
Геометричні задачі базуються на кресленнях і для розв’язання потребують додавання нових геометричних фігур. AlphaGeometry передбачає, які фігури потрібно додати в аналогічних завданнях.
Результати розв’язання задач AlphaGeometry, які були опубліковані у журналі Nature, підживлюють тривалу дискусію про те, чи мають ЩІ будуватися на маніпуляції символами або на основі нейронні мережі, яка більше схожа на мозок.
Прихильники нейромереж кажуть, що інтелектуальна поведінка може виникнути лише за умови величезних обсягів даних та обчислень. На відміну від символьних систем, які вирішують завдання шляхом визначення наборів правил маніпулювання символами для певних типів завдань, нейронні мережі намагаються виконувати завдання шляхом статистичної апроксимації та навчання на прикладах.
Нейронні мережі є наріжним каменем потужних систем ШІ, таких як DALL-E 3 та GPT-4 від OpenAI. Але на відміну від них, що символьний ШІ здатний ефективніше кодувати наявні знання, обдумувати складні сценарії та «пояснити», як він прийшов до відповіді. Гібридна символьно-нейронна мережа AlphaGeometry демонструє, що поєднання обох підходів, можливо є найкращим шляхом у пошуку узагальненого ШІ.
Джерело: Tech Chrunch