أحرز نظام AI AI من Google DeepMind ، Alphageometry2 ، تقدمًا كبيرًا في حل المشكلات الهندسية ، متجاوزًا متوسط الميدالية الذهبية في مسابقة الألعاب الأولمبية للرياضيات الدولية (IMO). لا يوضح هذا الإنجاز المفرط فقط إمكانات الذكاء الاصطناعي في مجال الرياضيات ، ولكنه يوفر أيضًا اتجاهًا جديدًا لتطوير AI العام.
تم تفوق Alphageometry2 ، وهو أحدث نظام من الذكاء الاصطناعي الذي أطلقته مختبر Google Deepmind Research Lab ، في حل المشكلات الهندسية ، متجاوزًا متوسط الميدالية الذهبية في مسابقة الألعاب الأولمبية الدولية للرياضيات (IMO). يعتبر النظام نسخة محسّنة من القياس Alphageometry ، ويقول الباحثون إن Alphageometry2 يمكن أن يحل 84 ٪ من المشكلات الهندسية في IMO على مدار الـ 25 عامًا الماضية.
لماذا يركز DeepMind على مسابقات الرياضيات في المدارس الثانوية؟ إن إثبات السبب في أن النظريات الرياضية أو نظريات التفسير (مثل نظرية فيثاغور) تتطلب التفكير المنطقي والقدرة على تحديد خطوات متعددة ممكنة. إذا كانت نظرية DeepMind صحيحة ، فستكون إمكانيات حل المشكلات مهمة جدًا لنماذج AI العامة في المستقبل.
في هذا الصيف ، أظهر DeepMind نظامًا يجمع بين Alphageometry2 والمنطق الرياضي AI Model Alphaproof ، والذي حل أربعة من المشكلات الست في IMO 2024. بالإضافة إلى المشكلات الهندسية ، يمكن تمديد هذا النهج إلى مجالات رياضية وعلمية أخرى ، مثل الحسابات الهندسية المعقدة.
تتضمن المكونات الأساسية لـ Alphageometry2 نموذج لغة من سلسلة Google Gemini و "محرك رمز". يساعد نموذج Gemini المحرك الرمزي في استنتاج حلول مجدية للمشاكل من خلال القواعد الرياضية. عادة ما تستند المشكلات الهندسية مع IMO إلى الأرقام التي تحتاج إلى إضافتها مع "تم إنشاؤها" ، مثل النقاط أو الخطوط أو الدوائر. يمكن أن يتنبأ نموذج الجوزاء Alphageometry2 بالإنشاءات التي قد تكون مفيدة في حل المشكلات.
تجدر الإشارة إلى أنه عند حل مشكلة IMO ، يستخدم Alphageometry2 أكثر من 300 مليون نظرية وإثبات البيانات الاصطناعية التي تم إنشاؤها بواسطة DeepMind نفسها للتدريب. اختار فريق البحث 45 مشكلة هندسية للمنظمة الدولية للمنية على مدار الـ 25 عامًا الماضية وتوسيعها لتشكيل مجموعة من 50 مشكلة. نجح Alphageometry2 في حل 42 منهم ، متجاوزة متوسط درجة الميدالية الذهبية.
ومع ذلك ، لا يزال لدى Alphageometry2 بعض القيود ، مثل أنه لا يمكن حل المشكلات مع نقاط الأرقام المتغيرة والمعادلات غير الخطية وعدم المساواة. ومع ذلك ، أثارت هذه الدراسة مناقشة حول ما إذا كان ينبغي أن تستند أنظمة الذكاء الاصطناعى إلى العمليات الرمزية أو الشبكات العصبية. يعتمد Alphageometry2 نهجًا هجينًا يجمع بين الشبكات العصبية والمحركات الرمزية القائمة على القواعد.
يوفر نجاح Alphageometry2 اتجاهًا جديدًا للتطوير المستقبلي لـ AI للأغراض العامة. على الرغم من أنه لم يكن مكتفيًا تمامًا بعد ، إلا أن الأبحاث التي أجراها فريق DeepMind تُظهر أن المزيد من نماذج الذكاء الاصطناعي المكتفية ذاتيًا قد تكون متاحة في المستقبل.
مدخل الورق: https://arxiv.org/pdf/2502.03544
النقاط الرئيسية:
Alphageometry2 قادر على حل 84 ٪ من المشكلات الهندسية في المنظمة البحرية الدولية على مدار الـ 25 عامًا الماضية ، متجاوزة متوسط درجة الميداليات الذهبية.
يجمع النظام بين الشبكات العصبية ومحركات الرموز لحل المشكلات الرياضية المعقدة باستخدام نهج هجين.
تأمل DeepMind في تعزيز تقدم البحث في الذكاء الاصطناعي العام الأكثر قوة من خلال حل المشكلات الهندسية.
لا يوضح نجاح Alphageometry2 إمكانات الذكاء الاصطناعي في مجال الرياضيات فحسب ، بل يوفر أيضًا اتجاهًا جديدًا لتطوير AI العام. في المستقبل ، مع التقدم المستمر للتكنولوجيا ، ستظهر الذكاء الاصطناعي قدرات قوية في المزيد من المجالات.