أنشأت Google DeepMind نظامًا للذكاء الاصطناعي يمكنه حل المشكلات الهندسية المعقدة. ويقول الخبراء إنها خطوة مهمة نحو آلات تتمتع بمهارات تفكير تشبه مهارات التفكير البشري.
لقد شكلت الهندسة والرياضيات على نطاق أوسع تحديًا للباحثين في مجال الذكاء الاصطناعي لبعض الوقت. بالمقارنة مع نماذج الذكاء الاصطناعي القائمة على النصوص، هناك بيانات تدريب أقل بكثير للرياضيات، لأنها تعتمد على الرموز ومجالات محددة، كما يقول ثانج لونج، المؤلف المشارك في البحث، الذي نُشر في مجلة Nature.
يتطلب حل المسائل الرياضية تفكيرًا منطقيًا، وهو أمر لا تتقنه معظم نماذج الذكاء الاصطناعي الحالية. يقول لونج إن هذا الطلب على التفكير المنطقي هو السبب وراء كون الرياضيات بمثابة معيار مهم لقياس التقدم في ذكاء الذكاء الاصطناعي.
يجمع برنامج DeepMind، المسمى AlphaGeometry، بين نموذج لغوي ونوع من الذكاء الاصطناعي يسمى المحرك الرمزي (symbolic engine)، والذي يستخدم الرموز والقواعد المنطقية لإجراء استنتاجات. تتفوق نماذج اللغة في التعرف على الأنماط والتنبؤ بالخطوات اللاحقة في العملية. ومع ذلك، فإن تفكيرهم يفتقر إلى الدقة المطلوبة لحل المشكلات الرياضية. من ناحية أخرى، يعتمد المحرك الرمزي بشكل كامل على المنطق الرسمي والقواعد الصارمة، مما يسمح له بتوجيه النموذج اللغوي نحو القرارات العقلانية.
يعمل هذان الأسلوبان، المسؤولان عن التفكير الإبداعي والتفكير المنطقي على التوالي، معًا لحل المشكلات الرياضية الصعبة. وهذا يحاكي بشكل وثيق كيفية عمل البشر من خلال المشاكل الهندسية، والجمع بين فهمهم الحالي والتجارب الاستكشافية.
تقول شركة DeepMind إنها اختبرت AlphaGeometry على 30 مسألة هندسية بنفس مستوى الصعوبة الموجود في الأولمبياد الدولي للرياضيات، وهي مسابقة لأفضل طلاب الرياضيات في المدارس الثانوية. أكمل 25 في الوقت المحدد. النظام السابق المتطور، الذي طوره عالم الرياضيات الصيني وين تسون وو في عام 1978، أكمل 10 فقط.
يقول فلوريس فان دورن، أستاذ الرياضيات بجامعة بون، والذي لم يشارك في البحث: "إنها نتيجة مثيرة للإعجاب حقًا". "كنت أتوقع أن يظل هذا على بعد عدة سنوات".
وتقول شركة DeepMind إن هذا النظام يوضح قدرة الذكاء الاصطناعي على التفكير واكتشاف المعرفة الرياضية الجديدة.
وقال كووك في لو، العالم في Google DeepMind وأحد مؤلفي البحث، في مؤتمر صحفي: "هذا مثال آخر يعزز كيف يمكن للذكاء الاصطناعي أن يساعدنا في تطوير العلوم وفهم أفضل للعمليات الأساسية التي تحدد كيفية عمل العالم".
عند مواجهة مشكلة هندسية، تحاول AlphaGeometry أولاً إنشاء دليل باستخدام محركها الرمزي، المدفوع بالمنطق. إذا لم يتمكن من القيام بذلك باستخدام المحرك الرمزي وحده، يضيف نموذج اللغة نقطة أو خطًا جديدًا إلى الرسم التخطيطي. وهذا يفتح إمكانيات إضافية للمحرك الرمزي لمواصلة البحث عن دليل. تستمر هذه الدورة، حيث يضيف نموذج اللغة عناصر مفيدة ويختبر المحرك الرمزي استراتيجيات إثبات جديدة، حتى يتم العثور على حل يمكن التحقق منه.
لتدريب نموذج لغة AlphaGeometry، كان على الباحثين إنشاء بيانات التدريب الخاصة بهم للتعويض عن ندرة البيانات الهندسية الموجودة. لقد أنتجوا ما يقرب من نصف مليار مخطط هندسي عشوائي وأدخلوها إلى المحرك الرمزي. قام هذا المحرك بتحليل كل مخطط وأنتج بيانات حول خصائصه. تم تنظيم هذه العبارات في 100 مليون دليل تركيبي لتدريب النموذج اللغوي.
يقول رومان يامبولسكي، الأستاذ المشارك في علوم الكمبيوتر والهندسة في جامعة لويزفيل والذي لم يشارك في البحث، إن قدرة AlphaGeometry تظهر تقدمًا كبيرًا نحو "مهارات أكثر تعقيدًا تشبه المهارات البشرية في حل المشكلات في الآلات".
وقال يامبوليسكي في رسالة بالبريد الإلكتروني: "خارج نطاق الرياضيات، تمتد آثارها عبر المجالات التي تعتمد على حل المشكلات الهندسية، مثل رؤية الكمبيوتر، والهندسة المعمارية، وحتى الفيزياء النظرية".
ومع ذلك، هناك مجال للتحسين. في حين أن AlphaGeometry يمكنها حل المشكلات الموجودة في الرياضيات "الابتدائية"، إلا أنها تظل غير قادرة على التعامل مع أنواع المشكلات المتقدمة والمجردة التي يتم تدريسها في الجامعة.
قال فان دورن: "سيكون علماء الرياضيات مهتمين حقًا إذا تمكن الذكاء الاصطناعي من حل المشكلات المطروحة في أبحاث الرياضيات، ربما من خلال الحصول على رؤى رياضية جديدة".
يقول لونج إن الهدف هو تطبيق نهج مماثل في مجالات الرياضيات الأوسع. ويقول: "إن الهندسة مجرد مثال لنا لإثبات أننا على وشك أن يصبح الذكاء الاصطناعي قادرًا على القيام بالتفكير العميق".
لقد شكلت الهندسة والرياضيات على نطاق أوسع تحديًا للباحثين في مجال الذكاء الاصطناعي لبعض الوقت. بالمقارنة مع نماذج الذكاء الاصطناعي القائمة على النصوص، هناك بيانات تدريب أقل بكثير للرياضيات، لأنها تعتمد على الرموز ومجالات محددة، كما يقول ثانج لونج، المؤلف المشارك في البحث، الذي نُشر في مجلة Nature.
يتطلب حل المسائل الرياضية تفكيرًا منطقيًا، وهو أمر لا تتقنه معظم نماذج الذكاء الاصطناعي الحالية. يقول لونج إن هذا الطلب على التفكير المنطقي هو السبب وراء كون الرياضيات بمثابة معيار مهم لقياس التقدم في ذكاء الذكاء الاصطناعي.
يجمع برنامج DeepMind، المسمى AlphaGeometry، بين نموذج لغوي ونوع من الذكاء الاصطناعي يسمى المحرك الرمزي (symbolic engine)، والذي يستخدم الرموز والقواعد المنطقية لإجراء استنتاجات. تتفوق نماذج اللغة في التعرف على الأنماط والتنبؤ بالخطوات اللاحقة في العملية. ومع ذلك، فإن تفكيرهم يفتقر إلى الدقة المطلوبة لحل المشكلات الرياضية. من ناحية أخرى، يعتمد المحرك الرمزي بشكل كامل على المنطق الرسمي والقواعد الصارمة، مما يسمح له بتوجيه النموذج اللغوي نحو القرارات العقلانية.
يعمل هذان الأسلوبان، المسؤولان عن التفكير الإبداعي والتفكير المنطقي على التوالي، معًا لحل المشكلات الرياضية الصعبة. وهذا يحاكي بشكل وثيق كيفية عمل البشر من خلال المشاكل الهندسية، والجمع بين فهمهم الحالي والتجارب الاستكشافية.
تقول شركة DeepMind إنها اختبرت AlphaGeometry على 30 مسألة هندسية بنفس مستوى الصعوبة الموجود في الأولمبياد الدولي للرياضيات، وهي مسابقة لأفضل طلاب الرياضيات في المدارس الثانوية. أكمل 25 في الوقت المحدد. النظام السابق المتطور، الذي طوره عالم الرياضيات الصيني وين تسون وو في عام 1978، أكمل 10 فقط.
يقول فلوريس فان دورن، أستاذ الرياضيات بجامعة بون، والذي لم يشارك في البحث: "إنها نتيجة مثيرة للإعجاب حقًا". "كنت أتوقع أن يظل هذا على بعد عدة سنوات".
وتقول شركة DeepMind إن هذا النظام يوضح قدرة الذكاء الاصطناعي على التفكير واكتشاف المعرفة الرياضية الجديدة.
وقال كووك في لو، العالم في Google DeepMind وأحد مؤلفي البحث، في مؤتمر صحفي: "هذا مثال آخر يعزز كيف يمكن للذكاء الاصطناعي أن يساعدنا في تطوير العلوم وفهم أفضل للعمليات الأساسية التي تحدد كيفية عمل العالم".
عند مواجهة مشكلة هندسية، تحاول AlphaGeometry أولاً إنشاء دليل باستخدام محركها الرمزي، المدفوع بالمنطق. إذا لم يتمكن من القيام بذلك باستخدام المحرك الرمزي وحده، يضيف نموذج اللغة نقطة أو خطًا جديدًا إلى الرسم التخطيطي. وهذا يفتح إمكانيات إضافية للمحرك الرمزي لمواصلة البحث عن دليل. تستمر هذه الدورة، حيث يضيف نموذج اللغة عناصر مفيدة ويختبر المحرك الرمزي استراتيجيات إثبات جديدة، حتى يتم العثور على حل يمكن التحقق منه.
لتدريب نموذج لغة AlphaGeometry، كان على الباحثين إنشاء بيانات التدريب الخاصة بهم للتعويض عن ندرة البيانات الهندسية الموجودة. لقد أنتجوا ما يقرب من نصف مليار مخطط هندسي عشوائي وأدخلوها إلى المحرك الرمزي. قام هذا المحرك بتحليل كل مخطط وأنتج بيانات حول خصائصه. تم تنظيم هذه العبارات في 100 مليون دليل تركيبي لتدريب النموذج اللغوي.
يقول رومان يامبولسكي، الأستاذ المشارك في علوم الكمبيوتر والهندسة في جامعة لويزفيل والذي لم يشارك في البحث، إن قدرة AlphaGeometry تظهر تقدمًا كبيرًا نحو "مهارات أكثر تعقيدًا تشبه المهارات البشرية في حل المشكلات في الآلات".
وقال يامبوليسكي في رسالة بالبريد الإلكتروني: "خارج نطاق الرياضيات، تمتد آثارها عبر المجالات التي تعتمد على حل المشكلات الهندسية، مثل رؤية الكمبيوتر، والهندسة المعمارية، وحتى الفيزياء النظرية".
ومع ذلك، هناك مجال للتحسين. في حين أن AlphaGeometry يمكنها حل المشكلات الموجودة في الرياضيات "الابتدائية"، إلا أنها تظل غير قادرة على التعامل مع أنواع المشكلات المتقدمة والمجردة التي يتم تدريسها في الجامعة.
قال فان دورن: "سيكون علماء الرياضيات مهتمين حقًا إذا تمكن الذكاء الاصطناعي من حل المشكلات المطروحة في أبحاث الرياضيات، ربما من خلال الحصول على رؤى رياضية جديدة".
يقول لونج إن الهدف هو تطبيق نهج مماثل في مجالات الرياضيات الأوسع. ويقول: "إن الهندسة مجرد مثال لنا لإثبات أننا على وشك أن يصبح الذكاء الاصطناعي قادرًا على القيام بالتفكير العميق".
