يمكن لأحدث الذكاء الاصطناعي من DeepMind حل المشكلات الهندسية

يعتقد DeepMind، مختبر Google للبحث والتطوير في مجال الذكاء الاصطناعي، أن المفتاح لأنظمة ذكاء اصطناعي أكثر قدرة قد يكمن في الكشف عن طرق جديدة لحل المشكلات الهندسية الصعبة.

ولتحقيق هذه الغاية، كشفت شركة DeepMind اليوم عن نظام AlphaGeometry، وهو نظام يدعي المختبر أنه قادر على حل العديد من المسائل الهندسية التي يحلها متوسط ​​الحائز على الميدالية الذهبية في أولمبياد الرياضيات الدولي. AlphaGeometry، الكود الخاص به مفتوح المصدر هذا الصباح، يحل 25 مشكلة هندسية للأولمبياد خلال المهلة الزمنية القياسية، متغلبًا على 10 مشاكل في النظام المتطور السابق.

“يعد حل المشكلات الهندسية على مستوى الأولمبياد معلمًا مهمًا في تطوير التفكير الرياضي العميق على الطريق نحو أنظمة ذكاء اصطناعي أكثر تقدمًا وعامة،” هذا ما كتبه تريو ترينه وتانج لونج، علماء أبحاث الذكاء الاصطناعي في جوجل، في مدونة نُشرت هذا الصباح. “[We] آمل أن… تساعد تقنية AlphaGeometry على فتح إمكانيات جديدة في الرياضيات والعلوم والذكاء الاصطناعي.

لماذا التركيز على الهندسة؟ يؤكد DeepMind أن إثبات النظريات الرياضية، أو التفسير المنطقي لسبب صحة النظرية (مثل نظرية فيثاغورس)، يتطلب كلاً من التفكير والقدرة على الاختيار من بين مجموعة من الخطوات الممكنة نحو الحل. يمكن أن يكون نهج حل المشكلات هذا – إذا كان DeepMind على حق – مفيدًا في أنظمة الذكاء الاصطناعي ذات الأغراض العامة في يوم من الأيام.

“إن إثبات صحة أو خطأ تخمين معين يزيد من قدرات حتى أنظمة الذكاء الاصطناعي الأكثر تقدمًا اليوم،” هذا ما ورد في المواد الصحفية الخاصة بـ DeepMind والتي تمت مشاركتها مع TechCrunch. “ولتحقيق هذا الهدف، تعد القدرة على إثبات النظريات الرياضية … علامة فارقة مهمة لأنها تعرض إتقان التفكير المنطقي والقدرة على اكتشاف معرفة جديدة.”

لكن تدريب نظام الذكاء الاصطناعي على حل المشكلات الهندسية يشكل تحديات فريدة من نوعها.

نظرًا لتعقيدات ترجمة البراهين إلى تنسيق يمكن للآلات فهمه، هناك ندرة في بيانات التدريب الهندسية القابلة للاستخدام. والعديد من نماذج الذكاء الاصطناعي التوليدي المتطورة اليوم، رغم كونها استثنائية في تحديد الأنماط والعلاقات في البيانات، تفتقر إلى القدرة على التفكير المنطقي من خلال النظريات.

كان الحل الذي قدمته شركة DeepMind ذو شقين.

في تصميم AlphaGeometry، قام المختبر بدمج نموذج “اللغة العصبية” – وهو نموذج معماري على غرار ChatGPT – مع “محرك الاستنباط الرمزي”، وهو محرك يستفيد من القواعد (مثل القواعد الرياضية) لاستنتاج حلول للمشكلات. يمكن أن تكون المحركات الرمزية غير مرنة وبطيئة، خاصة عند التعامل مع مجموعات البيانات الكبيرة أو المعقدة. لكن شركة DeepMind خففت من حدة هذه المشكلات من خلال جعل النموذج العصبي “يوجه” محرك الاستنباط من خلال الإجابات المحتملة لمشاكل هندسية معينة.

وبدلاً من بيانات التدريب، أنشأت DeepMind بياناتها الخاصة اصطناعية البيانات، وتوليد 100 مليون “نظريات تركيبية” وأدلة متفاوتة التعقيد. قام المختبر بعد ذلك بتدريب AlphaGeometry من الصفر على البيانات الاصطناعية، وقام بتقييمها على أساس مسائل الهندسة الأولمبية

تعتمد مسائل هندسة الأولمبياد على المخططات التي تحتاج إلى إضافة “بنيات” قبل أن يتم حلها، مثل النقاط أو الخطوط أو الدوائر. ومن خلال تطبيقه على هذه المشكلات، يتنبأ النموذج العصبي الخاص بـ AlphaGeometry بالبنيات التي قد يكون من المفيد إضافتها – وهي تنبؤات يستخدمها محرك AlphaGeometry الرمزي لإجراء استنتاجات حول المخططات لتحديد الحلول المشابهة.

كتب ترينه ولوونج: “مع وجود العديد من الأمثلة حول كيف أدت هذه البنيات إلى البراهين، فإن النموذج اللغوي الخاص بـ AlphaGeometry قادر على تقديم اقتراحات جيدة للبنيات الجديدة عند تقديمه مع مشاكل هندسية أولمبية”. “يوفر أحد النظامين أفكارًا سريعة و”بديهية”، بينما يوفر الآخر عملية صنع قرار أكثر تعمدًا وعقلانية.

نتائج حل مسائل AlphaGeometry والتي تم نشرها في دراسة في المجلة طبيعة من المرجح أن يؤدي هذا الأسبوع إلى تأجيج الجدل طويل الأمد حول ما إذا كان ينبغي بناء أنظمة الذكاء الاصطناعي على التلاعب بالرموز – أي التلاعب بالرموز التي تمثل المعرفة باستخدام القواعد – أو الشبكات العصبية التي تشبه الدماغ ظاهريًا.

يقول مؤيدو نهج الشبكة العصبية أن السلوك الذكي – بدءًا من التعرف على الكلام إلى توليد الصور – يمكن أن ينشأ من لا شيء أكثر من كميات هائلة من البيانات والحوسبة. في مقابل الأنظمة الرمزية، التي تحل المهام عن طريق تحديد مجموعات من قواعد معالجة الرموز المخصصة لوظائف معينة (مثل تحرير سطر في برنامج معالج النصوص)، تحاول الشبكات العصبية حل المهام من خلال التقريب الإحصائي والتعلم من الأمثلة.

تعد الشبكات العصبية حجر الزاوية في أنظمة الذكاء الاصطناعي القوية مثل DALL-E 3 وGPT-4 من OpenAI. لكن، كما يزعم مؤيدو الذكاء الاصطناعي الرمزي، فإنهم ليسوا نهاية المطاف؛ ويقول هؤلاء المؤيدون إن الذكاء الاصطناعي الرمزي قد يكون في وضع أفضل لتشفير المعرفة العالمية بكفاءة، والتفكير في سيناريوهات معقدة، و”شرح” كيفية وصولهم إلى الإجابة.

باعتباره نظام شبكة عصبية رمزية هجينًا يشبه AlphaFold 2 وAlphaGo من DeepMind، ربما يوضح AlphaGeometry أن النهجين – التلاعب بالرموز والشبكات العصبية – مجموع هو أفضل طريق للمضي قدمًا في البحث عن الذكاء الاصطناعي القابل للتعميم. ربما.

كتب ترينه ولوونج: “يظل هدفنا على المدى الطويل هو بناء أنظمة الذكاء الاصطناعي التي يمكنها التعميم عبر المجالات الرياضية، وتطوير حل المشكلات المتطور والتفكير الذي ستعتمد عليه أنظمة الذكاء الاصطناعي العامة، وفي نفس الوقت توسيع حدود المعرفة البشرية”. “يمكن لهذا النهج أن يشكل كيفية اكتشاف أنظمة الذكاء الاصطناعي في المستقبل للمعرفة الجديدة، في الرياضيات وخارجها.”