هوش مصنوعی گوگل، از مدال‌آوران المپیاد ریاضی قوی‌تر شد

این سیستم که "AlphaGeometry۲" (AG۲) نام دارد، درواقع یک چارچوب هوش مصنوعی پیشرفته است که قادر است تا ۸۴ درصد از مسائل هندسه مطرح‌شده در المپیاد بین‌المللی ریاضی (IMO) را حل کند. این در حالی است که به‌طور میانگین، برندگان مدال طلای این المپیاد، موفق به حل ۸۱.۸ درصد از این سؤالات شده بودند.

به گفته دانشمندان این ابزار که توسط Google DeepMind مهندسی‌شده، علاوه بر تطبیق الگوها، در حل خلاقانه مسائل نیز مشارکت دارد.

این خبر در شرایطی منتشر شد که یک ماه پیش، مایکروسافت از rStar-Math، سیستم استدلال ریاضی پیشرفته‌اش با هوش مصنوعی رونمایی کرده بود. این سیستم از مدل‌های زبان کوچک (SMLs) برای حل معادلات پیچیده استفاده می‌کند.

هردوی این شرکت‌ها در حال حاضر در فکر تسلط هوش مصنوعی بر حوزه ریاضی هستند؛ طبق گفته دانشمندان، سیستم‌هایی باقابلیت‌های بالا در حل مسائل ریاضی، ممکن است به‌اندازه کافی از اشکال دیگر استدلال انسانی تقلید کنند. این درحالی است که  AG۲ برای حل مسائل پیشرفته بر یک مدل استدلال ترکیبی تمرکز می‌کند، اما r-Star از مدل‌های زبان کوچک‌تر برای حل طیف وسیع‌تری از مسائل بهره می‌برد.

گوگل نسخه اصلی AlphaGeometry را در ژانویه ۲۰۲۴ منتشر کرد و طبق گفته دانشمندان، آخرین نسخه آن نسبت به ورژن های قبلی ۳۰ درصد افزایش عملکرد دارد. پیشرفت‌های AG۲ بر تسلط بر هندسه متمرکز است که برخلاف حساب دیفرانسیل و انتگرال و جبر، به ترکیبی از استدلال بصری و منطق برای حل مسائل پیچیده نیاز دارند.

البته کارشناسان نسبت به تلقی این نقطه عطف به‌عنوان دستیابی به هوش عمومی مصنوعی (AGI) بسیار محتاط هستند؛ چون در این شرایط، یک سیستم هوش مصنوعی، به‌جای اینکه صرفاً در یک رشته (صرف‌نظر از داده‌های آموزشی) مافوق انسان باشد، در چندین رشته از انسان‌ها باهوش‌تر خواهد بود.

جان بیتس، مدیرعامل شرکت هوش مصنوعی SER Group و دکترای علوم کامپیوتر از دانشگاه کمبریج دراین‌باره گفت: «AlphaGeometry۲ نشان‌دهنده نوعی هوش است، اما هوش انسانی بسیار فراتر از این است؛ ما به‌جای استفاده از دانش یا ایجاد توهم فکر، اختراع می‌کنیم.»

هوش مصنوعی چطور سخت‌ترین مسائل ریاضی را حل می‌کند

پیشرفت DeepMind ترکیب موفقیت‌آمیزی از مدل‌های زبان عصبی و موتورهای نمادین (سیستم‌های مبتنی بر منطق طراحی‌شده برای حل مسائل با استفاده از نمادها و پارامترها) است. مدل زبان، ساختارهای هندسی را پیشنهاد می‌کند و موتور نمادین آن‌ها را آزمایش می‌کند. این تطابق، این امکان را برای سیستم فراهم می‌کند تا زبان روزمره‌ای که انسان در یک مسئله هندسه می‌بیند را به "ساختارهایی کمکی" تبدیل کند که موتور نمادین بتواند آن را فهمیده و آزمایش کند.

در ادامه این سیستم، به شکلی هماهنگ کار می‌کند تا در صورت عدم کارایی ساخت‌های قبلی، ساخت‌وسازهای جدیدی را پیشنهاد دهد. این جستجو به شکلی موازی، برای همه راه‌حل‌ها انجام می‌شود و اطلاعات را ازیک‌طرف سیستم به‌طرف دیگر منتقل می‌کند تا به یک راه‌حل برسد.

AG۲، به لطف یک مدل زبان عصبی آموزش داده‌شده بر روی یک مجموعه داده بزرگ‌تر و متنوع‌تر، در کنار یک موتور نمادین سریع‌تر که برای تأیید ساختارهای هندسی بیشتر آماده‌شده، بهتر از نسخه اول کار می‌کند. سیستم همچنین از یک الگوریتم منحصربه‌فردی برای جستجو و یافتن برهان‌های هندسی بهره می‌برد.

محققان DeepMind متوجه این نکته شدند که یکی از ایرادات AG۲، زمان پردازش طولانی‌تر آن است و بدین ترتیب نمی‌تواند چالش‌برانگیزترین مسائل هندسه IMO در هندسه سه‌بعدی، معادلات غیرخطی، یا مشکلات با نقاط متغیر و/یا نقاط نامتناهی را مدیریت کند. درنهایت، این سیستم قادر نیست تا به زبانی که انسان بتواند آن را درک کند، توضیح دهد که چگونه به راه‌حل‌های خود رسیده است.

دامنه آرزوهای DeepMind برای سیستم AG۲ خود کاملاً در بهبود استدلال ریاضی باقی می‌ماند. به گفته دانشمندان پیشرفت‌ها در این زمینه می‌تواند در چندین رشته ازجمله طراحی مهندسی، تأیید سیستم‌های خودکار، روباتیک، تحقیقات دارویی و تحقیقات ژنومی اعمال شود.

آن‌ها در ادامه به این نکته اشاره کردند که برنامه برای AG۲ این است که اتوماسیون کامل حل مسائل هندسی را بدون هیچ خطایی ارائه دهد. دانشمندان امیدوارند که در نسخه‌های آینده، بتوانند پشتیبانی این سیستم از مفاهیم هندسی را بیشتر گسترش داده و مشکلات را به زیرگروه‌ها تقسیم کنند و درعین‌حال برای سرعت بخشیدن به فرآیند استنتاج و قابلیت اطمینان سیستم برنامه‌ریزی می‌کنند.