ШІ від DeepMind майже наздогнав золотого медаліста у геометрії
Компанія DeepMind, що належить Google, створила систему штучного інтелекту AlphaGeometry, яка змогла розв'язати 25 із 30 задач з геометрії, узятих з Міжнародної математичної олімпіади (IMO).
Про це пише Ars Technica.
Це досягнення перевершує більшість юних математиків і лише трохи поступається чемпіонам IMO. За оцінками DeepMind, середній золотий медаліст олімпіади здатний розв'язати 26 із 30 завдань.
IMO вважається найавторитетнішим у світі математичним змаганням для учнів старших класів. Його щорічно проводить Міжнародна математична комісія з 1959 року.
Як пояснює DeepMind, мовні моделі добре підходять для виявлення загальних закономірностей у даних, але часто не здатні до строгих логічних міркувань чи пояснення своїх рішень. Щоб подолати ці обмеження, в AlphaGeometry мовну модель поєднали з механізмом символьної дедукції, який виконує формальні алгебраїчні та геометричні виведення.
Дослідження очолив Трієу Трінь, комп'ютерний вчений з Нью-Йоркського університету, який нещодавно здобув ступінь PhD і працював у DeepMind.
Підписуйтеся на наші соцмережі
Золотий призер IMO Еван Чен, який оцінював деякі результати AlphaGeometry, назвав їх «вражаючими», адже вони є перевірюваними та формально коректними. На відміну від попередніх програм, які генерували важко зрозумілі геометричні доведення, висновки AlphaGeometry схожі на людські.
Як працює AlphaGeometry
За словами дослідників, більшість задач IMO складніші за звичайні завдання з геометрії, проте всі вони мають певні закономірності. Зазвичай умови описують фігуру та її властивості, а для розв’язання потрібно зробити низку логічних кроків, щоб довести задане твердження.
Раніше для геометричних задач використовували метод «грубої сили» — механічний перебір усіх можливих кроків. Але для складних завдань IMO цей підхід непрактичний через надто великий простір пошуку.
Тому в AlphaGeometry застосували інший підхід: мовна модель генерує «інтуїтивні» кроки, а механізм дедукції формально обґрунтовує їх. Це дозволяє ефективніше досліджувати простір можливих розв'язків.
Для навчання мовної моделі DeepMind згенерувала 100 млн синтетичних геометричних задач з автоматично побудованими розв'язками. Особливий акцент робився на прикладах з «допоміжними точками», які потрібно додати в процесі доведення. Це навчило модель самостійно вводити нові елементи для завершення логічного ланцюжка.
DeepMind повторила успіх попередніх моделей
Підхід, реалізований в AlphaGeometry, узгоджується з попередніми розробками DeepMind. Зокрема, система AlphaZero навчилася грати в шахи та го, граючи ігри проти самої себе. А нещодавній проєкт FunSearch використовував мовну модель і генетичний алгоритм для генерації комп'ютерних програм.
Як пояснив співзасновник DeepMind Шейн Легг, мовні моделі є джерелом креативних ідей, але погано підходять для логіки. Тому їх вбудовують у ширші системи, що можуть систематично оцінювати запропоновані рішення.
Поки що такі системи демонструють обнадійливі результати лише в дуже вузьких предметних областях. Але пошук оптимальних способів поєднання творчості мовних моделей з формальною логікою триває як у DeepMind, так і в інших провідних ШІ-компаніях.
Ці зусилля спрямовані на створення більш універсальних систем штучного інтелекту, здатних розв’язувати складні задачі у різних сферах. Хоч результати поки скромні, подібні дослідження становлять важливий крок на шляху до машин, які мислять і розуміють світ так само глибоко, як люди.
Раніше SPEKA писала, що DeepMind створив ШІ для передбачення генетичних захворювань.