Ang modelo ng alphageometry2 ng Google DeepMind ay naipalabas Ang mga problemang ipinakita sa huling 25 taon. Pinalawak ng Google ang mga kakayahan nito upang mahawakan ang isang mas malawak na hanay ng mga problema sa geometry, kabilang ang mga kinasasangkutan ng mga paggalaw ng object at mga linear na equation na may kaugnayan sa mga anggulo, ratios, at distansya.//x.com/lmthang/status/1816506897790652465″>Reached ang antas ng medalya ng pilak Larawan/gif; Base64, r0lgodlhaqabaaaaach5baekaaaalaaaaaaaaaaictaeaow==”>
.
nasasabik na ibahagi ang mga detalye ng alphageometry2 (AG2), bahagi ng system na nakamit ang pamantayan ng pilak-medalya sa IMO 2024 noong Hulyo! Ang AG2 ngayon ay lumampas sa average na gintong-medalist sa paglutas ng mga problema sa geometry ng Olympiad, pagkamit ng isang paglutas ng rate ng 84% para sa lahat ng mga problema sa geometry ng IMO… https://t. co/javtpndbmu pic.twitter.com/exhstdevtp
-tang luong (@lmthang) February 7, 2025
, na nagpapakita ng kakayahang umangkop ng mga modelo ng DeepMind sa pagtugon sa isang magkakaibang hanay ng mga hamon.
Sa AG1, gumagamit kami ng isang simpleng paghahanap ng beam upang matuklasan ang mga patunay. Sa AG2, nagdidisenyo kami ng isang algorithm sa paghahanap ng nobela, na tinawag na Ibinahaging Kaalaman ng Ensemble ng Mga Puno ng Paghahanap (Skest), upang payagan ang maraming mga paghahanap sa beam na tumakbo nang magkatulad at tulungan ang bawat isa. Ito ang isa sa mga kadahilanan kung bakit maaari nating malutas ang IMO… pic.twitter.com/z1078g083w
-thang luong (@lmthang) Pebrero 8, 2025
/Malakas>
: Nakakamit ng AG2 ang isang kahanga-hangang 84% na paglutas ng rate sa lahat ng 2000–2024 mga problema sa geometry ng IMO, na nagpapakita ng isang makabuluhang paglukso pasulong sa kakayahan ng AI na harapin ang mapaghamong mga gawain sa pangangatwiran sa matematika.”
Pinapayagan nito ang maraming mga diskarte sa paglutas ng problema upang gumana nang magkatulad. , pagpapagana nito upang galugarin ang maraming mga paraan ng pangangatuwiran nang sabay-sabay. hinalinhan, na nagpapahintulot para sa mas komprehensibong paglutas ng problema sa loob ng mga napilitan na mga badyet sa computational.
Geometry
Ang tagumpay na ito ay partikular na kapansin-pansin na ibinigay ng kahirapan ng mga problema sa IMO, na humihiling ng mahigpit na mga patunay para sa mga pahayag tungkol sa mga relasyon sa geometriko sa isang eroplano. tulad ng mga kinasasangkutan ng loci. Ang isang> nangangailangan ng pag-unawa kung paano ilipat ang mga puntos o bagay habang pinapanatili ang ilang mga kundisyon, isang gawain na pinagsasama ang abstract na pangangatuwiran na may matematika na mahigpit.
Sa pamamagitan ng matagumpay na pagtugon sa mga hamong ito, pinalawak ng alphageometry2://winbuzzer.com/wp-content/uploads/2025/02/ilustration-of-an-example-problem-solved-by-alphageometry-2-via-google.jpg”> Paglalarawan ng”Suliranin 4″mula sa huling Ang kumpetisyon ng taon, na humihiling upang patunayan ang kabuuan ng ηhed at η ay katumbas ng 180 °.. Mahaba bago ang mga computer ay nakakakuha ng buong marka sa IMO.”* ( Kalikasan ). Ang nasabing pagsulong ay nagmumungkahi na ang mga sistema ng AI tulad ng alphageometry2 ay hindi lamang tumutugma sa pagganap ng tao ngunit potensyal na muling tukuyin kung ano ang makakamit sa matematika na paglutas ng problema. ay ang pag-asa nito sa sintetikong data ng pagsasanay. Ang DeepMind ay nakabuo ng higit sa 300 milyong mga synthetic theorems at patunay, na sumasakop sa isang malawak na hanay ng pagiging kumplikado, upang sanayin ang modelo ng wika na batay sa gemini.
Ang mga sintetikong datasets na ito ay hindi lamang nagpapahusay ng mga kakayahan sa paglutas ng problema ngunit ipinapakita din ang scalability ng pananaliksik ng DeepMind’s AI. Sa pamamagitan ng pagpapatunay ng lohikal na pagkakapareho ng mga mungkahi ng modelo ng wika, tinitiyak ng DDAR na ang bawat hakbang sa proseso ng paglutas ng problema ay sumunod sa mahigpit na mga patakaran sa matematika.
Nagpupumiglas ito sa mga problema na kinasasangkutan ng mga hindi pagkakapantay-pantay, mga equation na hindi linya, at mga variable na bilang ng point-mga lugar na nangangailangan ng mas advanced na mga kakayahan sa pangangatuwiran. Ayon sa pananaliksik ng DeepMind,”Hanggang sa mapabuti ang bilis ng modelo at ganap na nalutas ang mga guni-guni, ang mga tool tulad ng simbolikong mga makina ay mananatiling mahalaga para sa mga aplikasyon sa matematika.”>
Ang tagumpay ng alphageometry2 ay nagpapakita ng potensyal ng mga hybrid na sistema ng AI sa paglutas Ang pisika, kung saan ang mga kumplikadong modelo ay madalas na umaasa sa masalimuot na mga kalkulasyon ng geometriko. Ang mas malawak na pagsulong ng Deepmind ay nagbibigay ng mahalagang konteksto para sa pag-unawa sa kahalagahan ng alphageometry2. Ipinakita ni AlphaGo ang potensyal ng AI upang makabisado ang madiskarteng pangangatuwiran, habang ang mga malalaking modelo ng wika tulad ng Gemini ay nagpakilala ng mga makabagong paraan upang malutas ang mga problema sa abstract. > Ang pag-unlad ng alphageometry2 ay naghari ng mga debate sa loob ng pamayanan ng pananaliksik ng AI tungkol sa papel ng mga sistema ng hybrid sa paglutas ng mga kumplikadong problema. Habang ang mga malalaking modelo ng wika tulad ng Gemini o Openai’s GPT models ay nanguna sa pagbuo ng tulad ng teksto ng tao, madalas silang humina kapag nahaharap sa mga gawain na nangangailangan ng pormal na pangangatuwiran o lohikal na pagkakapare-pareho.
Ang pag-asa sa mga simbolikong makina ay nagpapakilala sa computational overhead, at ang kawalan ng kakayahan ng system upang mahawakan ang ilang mga uri ng problema ay nagtatampok ng pangangailangan para sa karagdagang pagbabago. Habang pinuhin ng mga mananaliksik ang modelo, ang pagsasama ng mga advanced na pamamaraan ng pangangatuwiran at mas mabilis na algorithm ay magiging susi sa pagtagumpayan ang mga limitasyong ito. 3, ipakita ang dedikasyon ng kumpanya sa pagpapalawak ng mga hangganan ng maaaring makamit ng AI.
