أعلن Google Deepmind عن إنجاز كبير، مدعيًا أنه حقق ذلك طورت نظام الذكاء الاصطناعي الجديد قادرة على حل المشاكل الهندسية المعقدة. يمثل البحث، الذي نُشر في 17 يناير، تطورًا مهمًا في تحسين أنظمة الذكاء الاصطناعي.
في حين أحدث الذكاء الاصطناعي ضجة بسبب قدرته على حل المشكلات الرياضية الصعبة، إلا أن الهندسة استمرت في تشكيل تحدي. من المعروف أن أنظمة الذكاء الاصطناعي تواجه صعوبة في التعامل مع المنطق الرياضي المطلوب لحل المشكلات الهندسية.
ومع ذلك، قد يتغير هذا الآن، حيث يقوم نظام الذكاء الاصطناعي الجديد من Google Deepmind بحل البراهين الهندسية المستخدمة لاختبار طلاب المدارس الثانوية في أولمبياد الرياضيات الدولي.
إليكم كيف تمكن علماء Deepmind من التغلب على تحدي الهندسة
على الرغم من كونها واحدة من أقدم فروع الرياضيات، فقد أثبتت الهندسة باستمرار صعوبة التعامل مع أنظمة الذكاء الاصطناعي. ويرجع ذلك في المقام الأول إلى نقص بيانات التدريب، والتي ستكون ضرورية للأنظمة لتكون قادرة على حل المشكلات المنطقية الصعبة.
أنظمة الذكاء الاصطناعي يتم تدريبهم عادةً باستخدام التعلم الآلي. يتضمن ذلك تزويد المهندسين بالبيانات اللازمة حول كيفية إكمال المهمة بنجاح، وبعد ذلك يمكن للأنظمة أن تتعلم كيفية حل المشكلات المماثلة.
ومع ذلك، يكمن التحدي في العدد المحدود من العروض البشرية المتاحة لإثبات نظريات الهندسة.
للالتفاف حول هذه القضية، باحثو جوجل ديب مايند اتخذ نهجًا هجينًا جديدًا لبناء AlphaGeometry، نظام الذكاء الاصطناعي الجديد. يتكون النظام من مكونين رئيسيين – شبكة عصبية ومحرك ذكاء اصطناعي رمزي.
الأول يعتمد على الذكاء الاصطناعي بشكل فضفاض على الدماغ البشري وقد لعب دورًا محوريًا في التطورات التكنولوجية الكبرى الأخيرة.
من ناحية أخرى، يستخدم محرك الذكاء الاصطناعي الرمزي سلسلة من القواعد المرمزة بشريًا لتمثيل البيانات كرموز ثم التفكير من خلال معالجة الرموز.
قبل أن يكتسب التعلم العميق المعتمد على الشبكات العصبية شعبية ويشهد تطورات كبيرة خلال منتصف العقد الأول من القرن الحادي والعشرين، كان الذكاء الاصطناعي الرمزي نهجًا شائعًا لعقود من الزمن.
لقد نجح الحائزون على الميداليات الذهبية في الأولمبياد في حل 25.9 مشكلة في المتوسط، ولا تتخلف AlphaGeometry كثيرًا عنهم.
في هذه الحالة، أنتج الباحثون صناعيًا 100 مليون مثال للمسائل الهندسية. وكانت هذه مماثلة، ولكنها ليست متطابقة، مع المسائل المستخدمة في أولمبياد الرياضيات الدولي – وهو اختبار حيث يتعين على الطلاب المتفوقين حل نظريات معقدة.
تم بعد ذلك استخدام النظريات المركبة، إلى جانب البراهين الخاصة بها، لتدريب الشبكة العصبية التي تشغل AlphaGeometry. هذا، إلى جانب قدرة النظام على البحث من خلال النقاط المتفرعة، مكنه من حل المشكلات الهندسية المعقدة حتى في غياب أي مدخلات بشرية.
ومن خلال اختبار قدرات AlphaGeometry، قام الباحثون بعد ذلك بمحاولة حل 30 مسألة من الأولمبياد.
نجح نظام الذكاء الاصطناعي في حل 25 من هذه المشكلات، وهو تحسن كبير مقارنة بالمحاولات السابقة.
وعلى سبيل المقارنة، فإن الطريقة الأفضل السابقة سمحت لنظام الذكاء الاصطناعي فقط بحل 10 من أصل 30 مشكلة.
ماذا يعني هذا بالنسبة لمستقبل الذكاء الاصطناعي؟
حتى الآن، تم التركيز على معظم الإثارة المحيطة بالذكاء الاصطناعي ChatGPT وغيرها من نماذج اللغات الكبيرة المماثلة.
العقل العميقومن ناحية أخرى، ركزت على المزيد من التطبيقات العملية للذكاء الاصطناعي، مثل الإنجازات في مجالات مختلفة من الرياضيات والتطورات الأخيرة في التنبؤ بالطقس.
لم يقتصر النظام الجديد على حل النظريات من خلال تقديم البراهين بطريقة يمكن للبشر فهمها فحسب، بل توصل أيضًا إلى نسخة جديدة من إحدى النظريات.
وبالنظر إلى الإخفاقات السابقة في حل المشكلات الهندسية المعقدة باستخدام الذكاء الاصطناعي، فإن هذا يعد بلا شك تطورًا كبيرًا. يشير نجاح النهج المعتمد أيضًا إلى أنه في المجالات التي يوجد فيها نقص في بيانات التدريب للتعلم العميق، تعد البيانات الاصطناعية حلاً قابلاً للتطبيق.