Model alphageometry2 Google Deepmind telah mengatasi pingat emas manusia dalam Masalah yang dibentangkan dalam tempoh 25 tahun yang lalu.
Alphageometry2 membina alphageometry pendahulunya dengan meningkatkan bahasa perwakilannya. Google memperluaskan keupayaannya untuk mengendalikan pelbagai masalah geometri yang lebih luas, termasuk yang melibatkan pergerakan objek dan persamaan linear yang berkaitan dengan sudut, nisbah, dan jarak.
Julai lalu, sistem sudah Reached tahap pingat perak dalam menyelesaikan masalah Olympiad matematik antarabangsa. Imej/GIF; BASE64, R0LGODLHAQABAAAACH5BAEAAAAAAAAABAAAAAICTAEAOW==”>
pendahulunya, Alphageometry, mencapai kadar kejayaan hanya 54%, menandakan sistem baru sebagai lonjakan besar ke hadapan. , yang mengubah ramalan struktur protein, dan alphago , yang menguasai permainan papan kuno Go.
Teruja untuk berkongsi butiran Alphageometry2 (AG2), sebahagian daripada sistem yang mencapai standard pingat perak di IMO 2024 Julai lalu! AG2 kini telah melepasi purata pingat emas dalam menyelesaikan masalah geometri Olimpik, mencapai kadar penyelesaian sebanyak 84% untuk semua masalah geometri IMO… https://t. co/javtpndbmu pic.twitter.com/exhstdevtp
-thang luong (@lmthang) pic.twitter.com/Z1078G083W
-thang luong (@lmthang) 8 Februari 2025 /Strong>
Di tengah-tengah Alphageometry2 terletak seni bina hibridnya, yang menggabungkan versi bahasa Gemini Deepmind dengan enjin penalaran simbolik yang dikenali sebagai DDAR (Penalaran Aritmetik Pangkalan Data Deduktif).
Kerjasama ini membolehkan AI mentafsirkan dan merumuskan masalah geometri kompleks, menghasilkan penyelesaian yang berpotensi, dan mengesahkan penyelesaian ini melalui bukti logik yang ketat. Menurut buku penyelidikan penyelidikan yang baru-baru ini diterbitkan: AG2 mencapai kadar menyelesaikan 84% yang mengagumkan pada semua masalah geometri IMO 2000-2024, menunjukkan lonjakan yang ketara ke hadapan dalam keupayaan AI untuk menangani tugas-tugas penalaran matematik yang mencabar.”Itu membolehkan pelbagai strategi penyelesaian masalah untuk bekerja secara selari. , membolehkannya untuk meneroka pelbagai cara penalaran secara serentak. Pendahulu, yang membolehkan penyelesaian masalah yang lebih komprehensif dalam belanjawan pengiraan yang dikekang.
Pengoptimuman ini memperluaskan pelbagai masalah Alphageometry2 boleh mengendalikan, termasuk masalah jenis lokus yang kompleks di mana objek bergerak sambil mengekalkan hubungan tertentu dengan elemen geometri yang lain. Geometry
Prestasi Alphageometry2 meletakkannya di atas pingat emas IMO purata, yang biasanya menyelesaikan 40 daripada 50 masalah dalam set penanda aras IMO-AG-50.
Sistem menyelesaikan 42 masalah, menandakan kelebihan sedikit tetapi bermakna terhadap pakar manusia. Pencapaian ini amat menarik kerana kesukaran masalah IMO, yang menuntut bukti yang ketat untuk pernyataan tentang hubungan geometri pada satah.
seperti yang melibatkan loci. A> Memerlukan pemahaman bagaimana mata atau objek bergerak sambil mengekalkan keadaan tertentu, tugas yang menggabungkan penalaran abstrak dengan keteguhan matematik.
Dengan berjaya menangani cabaran-cabaran ini, Alphageometry2 telah memperluaskan liputan masalahnya dari 66% hingga 88% daripada masalah geometri IMO.://winbuzzer.com/wp-content/uploads/2025/02/ilustration-of-an-example-problem-selved-by-alphageometry-2-via-google.jpg”> ilustrasi”Masalah 4″Persaingan tahun, yang meminta untuk membuktikan jumlah ∠KIL dan ∠XPY sama dengan 180 °. , mewujudkan banyak pasang segitiga yang sama seperti Abe ~ ybi dan ale ~ IPC yang diperlukan untuk membuktikan kesimpulannya. T lama sebelum komputer mendapat markah penuh pada IMO.”* ( Alam ). Kemajuan sedemikian menunjukkan bahawa sistem AI seperti alphageometry2 bukan hanya sepadan dengan prestasi manusia tetapi berpotensi mentakrifkan semula apa yang dapat dicapai dalam pemecahan masalah matematik. adalah pergantungan pada data latihan sintetik. DeepMind menjana lebih daripada 300 juta teorem dan bukti sintetik, yang meliputi pelbagai kerumitan, untuk melatih model bahasa berasaskan Gemini.
Pendekatan ini membolehkan AI untuk membangunkan pemahaman yang mendalam tentang prinsip-prinsip geometri dan menyelesaikan masalah yang melampaui dataset yang dikendalikan oleh manusia. Dataset sintetik ini bukan sahaja meningkatkan keupayaan menyelesaikan masalah tetapi juga menunjukkan skalabilitas penyelidikan AI DeepMind. Dengan mengesahkan konsistensi logik cadangan model bahasa, DDAR memastikan bahawa setiap langkah dalam proses penyelesaian masalah mematuhi peraturan matematik yang ketat.
Kombinasi penyesuaian saraf dan ketepatan logik menetapkan alphageometry2 selain daripada model bahasa yang lebih tradisional.
Walaupun prestasi yang luar biasa, sistem mempunyai batasan. Ia berjuang dengan masalah yang melibatkan ketidaksamaan, persamaan bukan linear, dan jumlah titik berubah-kawasan yang memerlukan keupayaan penalaran yang lebih maju. Menurut penyelidikan DeepMind,”sehingga kelajuan model diperbaiki dan halusinasi sepenuhnya diselesaikan, alat seperti enjin simbolik akan tetap penting untuk aplikasi matematik.”>
Kejayaan Alphageometry2 menunjukkan potensi sistem AI hibrid dalam menyelesaikan masalah yang sangat khusus. Fizik, di mana model kompleks sering bergantung kepada pengiraan geometri yang rumit.
P> Kemajuan AI yang lebih luas DeepMind memberikan konteks yang berharga untuk memahami kepentingan alphageometry2. Alphago menunjukkan potensi AI untuk menguasai penalaran strategik, sementara model bahasa yang besar seperti Gemini telah memperkenalkan cara inovatif untuk menangani masalah abstrak.
Prospek dan cabaran masa depan > Perkembangan Alphageometry2 telah menafikan perdebatan dalam komuniti penyelidikan AI mengenai peranan sistem hibrid dalam menyelesaikan masalah yang rumit. Walaupun model bahasa yang besar seperti Gemini atau model GPT Openai cemerlang dalam menghasilkan teks seperti manusia, mereka sering goyah apabila berhadapan dengan tugas yang memerlukan penalaran rasmi atau konsistensi logik.
Alphageometry2 menjembatani jurang ini dengan mengintegrasikan penalaran simbolik, menawarkan pelan tindakan yang berpotensi untuk sistem AI generasi akan datang.
Walau bagaimanapun, cabaran kekal. Ketergantungan pada enjin simbolik memperkenalkan overhead pengiraan, dan ketidakupayaan sistem untuk mengendalikan jenis masalah tertentu menyoroti keperluan untuk inovasi lanjut. Sebagai penyelidik memperbaiki model, mengintegrasikan kaedah penalaran maju dan algoritma yang lebih cepat akan menjadi kunci untuk mengatasi batasan-batasan ini. 3, tunjukkan dedikasi syarikat untuk memperluaskan sempadan apa yang dapat dicapai oleh AI.
