DeepMind最新的人工智能可以解决几何问题

DeepMind，Google的人工智能研发实验室，认为提升智能系统能力的关键可能在于发现解决复杂几何问题的新方法。

为此，DeepMind今天发布了AlphaGeometry——该实验室声称能够解决与国际数学奥林匹克比赛金牌获得者一样多的几何问题的系统。AlphaGeometry的源代码今天上午开放了，它能够在标准时间限制内解决25个奥林匹克几何问题，超过了之前最先进系统解决的10个问题。

“在开发深层数学推理、朝着更先进和更通用的人工智能系统的道路上，解决奥林匹克级几何问题是一个重要的里程碑，”Google AI的研究科学家Trieu Trinh和Thang Luong在今天早上发表的一篇博文中写道。“我们希望…AlphaGeometry能够在数学、科学和人工智能领域开启新的可能性。”

为什么要关注几何学？DeepMind声称，证明数学定理或逻辑上解释为什么一个定理（比如勾股定理）是正确的，需要推理能力和在解决方案中从一系列可能的步骤中选择的能力。如果DeepMind是正确的，这种解决问题的方法可能在将来的通用人工智能系统中发挥作用。

“展示某个猜想是真还是假，即便是当今最先进的人工智能系统也会被推至极限。”DeepMind与TechCrunch共享的新闻稿中写道。“为了达到这个目标，能够证明数学定理......是一个重要的里程碑，它展示了逻辑推理的掌握能力和新知识的发现能力。”

然而，训练一个人工智能系统来解决几何问题存在着独特的挑战。

由于将证明翻译成机器可以理解的格式的复杂性，可用的几何训练数据缺乏。而且，许多当今先进的生成式人工智能模型在识别数据中的模式和关系方面非常出色，但缺乏通过定理进行逻辑推理的能力。

DeepMind的解决方案是双重的。

在设计AlphaGeometry时，实验室将一种“神经语言”模型与一种“符号推理引擎”相结合。这种神经模型的结构类似于ChatGPT，而符号推理引擎则利用规则（如数学规则）来推断问题的解决方案。符号推理引擎在处理大型或复杂数据集时可能不够灵活和慢。但DeepMind通过让神经模型“指导”推理引擎找出可能的几何问题答案来缓解了这些问题。

在缺乏实际训练数据的情况下，DeepMind自行生成了自己的合成数据，创造了1亿个复杂程度各异的“合成定理”和证明。实验室然后从头开始使用这些合成数据来训练AlphaGeometry，并在奥林匹克几何问题上对其进行评估。

奥林匹克几何问题是基于需要在图示中添加“构造”才能解决的，比如点、线或圆等。AlphaGeometry的神经模型应用于这些问题，预测出可能有用的构造，而AlphaGeometry的符号化引擎则利用这些预测进行推导，从而识别出类似解法。

“通过这些构建在证明中的众多例子，AlphaGeometry的语言模型能够针对奥林匹克几何问题提出良好的新构建的建议，”Trinh和Luong写道。“一个系统提供快速、‘直观’的想法，另一个系统则提供更谨慎、理性的决策。”

AlphaGeometry的问题解决结果本周发表在《自然》杂志的一项研究中，这可能会加剧一个长期存在的争论：AI系统到底应该是基于符号操作，即使用规则操作代表知识的符号，还是更类似大脑的神经网络。

神经网络方法的支持者认为，智能行为 - 从语音识别到图像生成 - 可以仅通过大量的数据和计算得出，并非需要其他。与解决任务时根据特定工作（如编辑文字处理软件中的一行）定义一系列符号操作规则的符号系统相反，神经网络试图通过统计逼近和从示例中学习来解决任务。

神经网络是强大人工智能系统如OpenAI的DALL-E 3和GPT-4的基石。然而，符号AI的支持者声称它们并非无所不能；符号AI可能更适合高效地编码世界知识，通过复杂场景进行推理，并“解释”其答案的步骤，这些支持者辩称。

作为一种类似于DeepMind的AlphaFold 2和AlphaGo的混合符号神经网络系统，AlphaGeometry或许展示了符号操作和神经网络结合的方式是追求可普适人工智能的最佳途径。或许。

“我们的长期目标仍然是构建能够在数学领域进行泛化的人工智能系统，发展出复杂的问题解决和推理能力，这是未来通用人工智能系统所依赖的基础，同时也将拓展人类知识的边界，”Trinh和Luong写道。“这种方法可能会塑造未来人工智能系统在数学和其他领域发现新知识的方式。”