Penerapan kecerdasan buatan di bidang matematika telah membuat terobosan lain. Prestasi ini tidak hanya menunjukkan potensi AI dalam menyelesaikan masalah geometris yang kompleks, tetapi juga memberikan ide -ide baru untuk pengembangan model AI umum di masa depan.
Baru -baru ini, sistem AI yang dikembangkan oleh Google DeepMind, Alphageometry2, berhasil melampaui tingkat rata -rata peraih medali emas matematika internasional (IMO) dan berkinerja baik dalam pertanyaan geometri. Alphageometry2 adalah versi yang ditingkatkan dari sistem alphageometry yang dirilis oleh DeepMind tahun lalu.
Jadi mengapa DeepMind fokus pada kompetisi matematika sekolah menengah seperti itu? Membuktikan teorema matematika membutuhkan keterampilan penalaran dan kemampuan untuk memilih solusi yang tepat, dan DeepMind percaya bahwa kemampuan pemecahan masalah ini mungkin penting untuk pengembangan model AI umum di masa depan.
Musim panas ini, DeepMind juga menunjukkan sistem yang menggabungkan Alphageometry2 dengan Alphaproof, model AI untuk penalaran matematika formal, yang memecahkan empat dari enam pertanyaan dalam kualifikasi IMO 2024. Terlepas dari masalah geometris, pendekatan ini juga dapat meluas ke bidang matematika dan sains lainnya, dan bahkan dapat membantu dengan perhitungan teknik yang kompleks.
Inti dari Alphageometry2 mencakup model bahasa dari keluarga Google Gemini dan "mesin simbol". Model Gemini membantu mesin simbolik memperoleh solusi untuk masalah menggunakan aturan matematika. Alur kerja adalah: Model Gemini memprediksi konstruksi mana yang (seperti titik, garis, lingkaran) dapat membantu dalam memecahkan masalah, dan mesin simbolik kemudian melakukan penalaran logis berdasarkan konstruksi ini. Setelah serangkaian pencarian kompleks, Alphageometry2 mampu menggabungkan saran model Gemini dengan prinsip -prinsip yang diketahui untuk menggambar bukti.
Meskipun Alphageometry2 berhasil menjawab 42 dari 50 masalah IMO, melampaui skor rata -rata pemain medali emas, masih ada beberapa keterbatasan, seperti ketidakmampuan untuk menyelesaikan jumlah variabel yang tidak pasti, persamaan nonlinier dan ketidaksetaraan. Selain itu, pada beberapa pertanyaan yang lebih sulit, kinerja Alphageometry2 tidak ideal, dan hanya 20 dari 29 pertanyaan yang diselesaikan.
Studi ini sekali lagi memicu diskusi tentang apakah sistem AI harus didasarkan pada operasi simbolik atau lebih banyak jaringan saraf seperti otak. Alphageometry2 menggunakan pendekatan hibrida yang menggabungkan jaringan saraf dan mesin simbolik berbasis aturan. Tim DeepMind mencatat bahwa sementara model bahasa besar dapat menghasilkan solusi parsial tanpa alat eksternal, mesin simbolik masih merupakan alat penting dalam aplikasi matematika dalam situasi saat ini.
Keberhasilan Alphageometry2 menandai terobosan lebih lanjut di AI di bidang matematika, dan dapat berperan dalam masalah yang lebih kompleks di masa depan.