ويرى ديب مايند، مختبر أبحاث وتطوير الذكاء الاصطناعي التابع لشركة جوجل، أن المفتاح لتحسين قدرات أنظمة الذكاء الاصطناعي قد يكمن في اكتشاف طرق جديدة لحل المشكلات الهندسية الصعبة. ولتحقيق هذه الغاية، أصدرت DeepMind اليوم نظام AlphaGeometry - وهو نظام يدعي المختبر أنه قادر على حل المشكلات الهندسية على قدم المساواة مع متوسط الحائز على الميدالية الذهبية في أولمبياد الرياضيات الدولي.
بإمكان AlphaGeometry، الذي كان كوده مفتوح المصدر هذا الصباح، حل 25 مشكلة هندسية للأولمبياد ضمن حدود زمنية قياسية، وهو ما يتجاوز 10 مشاكل في النظام المتطور السابق.
"يعد حل المشكلات الهندسية على مستوى الأولمبياد معلمًا مهمًا في تطوير التفكير الرياضي العميق وخطوة ضرورية نحو أنظمة ذكاء اصطناعي أكثر تقدمًا وذات أغراض عامة"، كتب عالما أبحاث الذكاء الاصطناعي في Google Trieu Trinh و Thang Luong في مدونة نُشرت هذا الصباح. "[نحن] نأمل... أن تساعدنا تقنية AlphaGeometry على فتح إمكانيات جديدة في الرياضيات والعلوم والذكاء الاصطناعي."
لماذا التركيز على الهندسة؟ يؤكد DeepMind أن إثبات نظرية رياضية، أو التفسير المنطقي لسبب صحة النظرية (مثل نظرية فيثاغورس)، يتطلب كلاً من الاستدلال والقدرة على اختيار حل من سلسلة من الخطوات الممكنة. إذا كانت شركة DeepMind على حق، فقد يكون نهج حل المشكلات هذا مفيدًا يومًا ما في أنظمة الذكاء الاصطناعي العامة.
كتب DeepMind في البيان الصحفي: "إن إثبات صحة أو زيف تخمين معين هو أمر يتجاوز قدرات أنظمة الذكاء الاصطناعي الأكثر تقدمًا اليوم. ولتحقيق هذا الهدف، تعد القدرة على إثبات نظرية رياضية ... علامة فارقة مهمة لأنها توضح إتقان التفكير المنطقي والقدرة على اكتشاف معارف جديدة."
ومع ذلك، فإن تدريب أنظمة الذكاء الاصطناعي على حل المشكلات الهندسية يشكل تحديات فريدة من نوعها.
نظرًا لتعقيد تحويل البراهين إلى تنسيق يمكن للآلات فهمه، هناك ندرة في بيانات التدريب الهندسية المتاحة. العديد من نماذج الذكاء الاصطناعي التوليدي المتطورة اليوم، على الرغم من كونها ممتازة في تحديد الأنماط والعلاقات في البيانات، إلا أنها تفتقر إلى القدرة على التفكير المنطقي من خلال النظريات.
في تصميم AlphaGeometry، قام المختبر بدمج نموذج "اللغة العصبية"، وهو نموذج مشابه في الهندسة المعمارية لـ ChatGPT، مع "محرك الاشتقاق الرمزي" (محرك يعزز القواعد - مثل القواعد الرياضية - لاستنتاج حلول للمشكلات). يمكن أن تكون المحركات الرمزية غير مرنة وبطيئة، خاصة عند العمل مع مجموعات بيانات كبيرة أو معقدة. لكن DeepMind يخفف من حدة هذه المشكلات من خلال السماح للنموذج العصبي "بتوجيه" محرك الاستدلال للعثور على إجابات محتملة لمشكلة هندسية معينة.
لاستبدال بيانات التدريب، أنشأت DeepMind بياناتها الاصطناعية الخاصة، وأنتجت 100 مليون "نظرية اصطناعية" وأدلة متفاوتة التعقيد. ثم قام المختبر بتدريب AlphaGeometry من الصفر على البيانات الاصطناعية وقام بتقييمها على أساس مسائل الهندسة الأولمبية.
تعتمد مسائل الهندسة الأولمبية على الرسوم البيانية، وتحتاج إلى إضافة "بنيات" مثل النقاط أو الخطوط أو الدوائر قبل حل المسائل. عند تطبيقه على هذه المشكلات، يتنبأ النموذج العصبي الخاص بـ AlphaGeometry بالبنيات التي قد تحتاج إلى إضافتها - يستخدم المحرك الرمزي لـ AlphaGeometry هذه التنبؤات للتفكير في الرسم التخطيطي للعثور على حلول مماثلة.
يكتب ترينه ولوونج: "مع وجود العديد من الأمثلة حول كيفية قيام هذه الإنشاءات بإثبات البراهين، فإن نموذج اللغة الخاص بـ AlphaGeometry قادر على تقديم اقتراحات جيدة للإنشاءات الجديدة عند مواجهة مشاكل الهندسة الأولمبية. يوفر أحد الأنظمة أفكارًا سريعة و"بديهية"، بينما يوفر النظام الآخر قرارات أكثر تفكيرًا وعقلانية.
من المرجح أن يثير حل AlphaGeometry، الذي نُشر هذا الأسبوع في مجلة Nature، جدلاً طويل الأمد حول ما إذا كان ينبغي لأنظمة الذكاء الاصطناعي أن تعتمد على التلاعب الرمزي - أي استخدام قواعد لمعالجة الرموز التي تمثل المعرفة - أو على الشبكات العصبية التي تبدو أشبه بالأدمغة على السطح.
يعتقد أنصار نهج الشبكة العصبية أن السلوك الذكي - من التعرف على الكلام إلى توليد الصور - يمكن أن ينشأ من كميات هائلة من البيانات والحسابات. تحاول الشبكات العصبية حل المهام من خلال التقريب الإحصائي والتعلم من الأمثلة، مقارنة بالأنظمة الرمزية، التي تحل المهام عن طريق تحديد مجموعة من قواعد معالجة الرموز المتخصصة لوظيفة معينة (مثل تحرير سطر في برنامج معالجة النصوص).
تعد الشبكات العصبية حجر الزاوية في أنظمة الذكاء الاصطناعي القوية مثل DALL-E3 وGPT-4 من OpenAI. ومع ذلك، يرى أنصار الذكاء الاصطناعي الرمزي أن الشبكات العصبية ليست ذات قدرة مطلقة؛ يجادل هؤلاء المؤيدون بأن الذكاء الاصطناعي الرمزي قد يكون أكثر ملاءمة لتشفير المعرفة حول العالم بكفاءة، والتفكير في سيناريوهات معقدة، و"شرح" كيفية وصولهم إلى الإجابات.
باعتباره نظامًا هجينًا للشبكة الرمزية العصبية يشبه نظام AlphaFold2 وAlphaGo من DeepMind، قد يثبت AlphaGeometry أن الجمع بين طريقتي المعالجة الرمزية والشبكات العصبية هو أفضل طريقة للعثور على الذكاء الاصطناعي العام.
كتب ترينه ولوونج: "يظل هدفنا على المدى الطويل هو بناء أنظمة الذكاء الاصطناعي ذات الأغراض العامة في الرياضيات، وتطوير قدرات حل المشكلات المعقدة والتفكير المنطقي التي تعتمد عليها أنظمة الذكاء الاصطناعي ذات الأغراض العامة، مع توسيع حدود المعرفة البشرية". "يمكن لهذا النهج أن يشكل كيفية اكتشاف أنظمة الذكاء الاصطناعي المستقبلية للمعرفة الجديدة في الرياضيات والمجالات الأخرى."