A DeepMind, divisão de inteligência artificial (IA) do Google, criou um sistema de IA capaz de resolver problemas complexos de geometria. É um passo significativo em direção a máquinas com habilidades de raciocínio mais semelhantes às humanas, segundo especialistas.
Para quem tem pressa:
- A DeepMind, divisão de inteligência artificial (IA) do Google, desenvolveu um sistema de IA, chamado AlphaGeometry, capaz de resolver problemas complexos de geometria – passo significativo em direção a máquinas com raciocínio mais próximo ao humano;
- A DeepMind testou o AlphaGeometry em problemas de geometria do nível da Olimpíada Internacional de Matemática, onde o sistema completou 25 de 30 problemas, resultado impressionante comparado ao sistema anterior, desenvolvido em 1978, que resolveu apenas dez;
- A matemática apresenta desafios únicos para a IA, principalmente pela falta de dados de treinamento e pela necessidade de raciocínio lógico e simbólico; Thang Wang, coautor da pesquisa, explica que esta é uma “arena” importante para medir o avanço da IA;
- O AlphaGeometry combina um modelo de linguagem com um motor simbólico, que utiliza símbolos e regras lógicas para deduzir soluções. Enquanto modelos de linguagem são bons em reconhecer padrões, o motor simbólico oferece o rigor necessário para resolver problemas matemáticos, imitando o processo humano de resolução de problemas geométricos.
Matemática, da qual geometria faz parte, tem desafiado pesquisadores de IA há algum tempo (lembra do auê sobre a “super IA” da OpenAI?). Comparado com modelos de IA baseados em texto, há significativamente menos dados de treinamento para matemática. Isso porque ela é orientada por símbolos e domínio específico, diz Thang Wang, coautor da pesquisa, publicada na revista Nature nesta quarta-feira (17).
Resolver problemas matemáticos requer raciocínio lógico, algo que a maioria dos modelos de IA atuais não tem. Essa demanda por raciocínio é a razão pela qual a matemática serve como importante “arena” para medir o progresso na inteligência de IA, explica Wang.
O novo programa da DeepMind, chamado AlphaGeometry, combina modelo de linguagem a um tipo de IA chamado motor simbólico, que usa símbolos e regras lógicas para fazer deduções.
Modelos de linguagem – por exemplo: o “motor” do ChatGPT – são excelentes em reconhecer padrões e prever passos subsequentes. Mas seu raciocínio carece do rigor necessário para resolver problemas matemáticos. O motor simbólico, por outro lado, se baseia em lógica formal e regras estritas, o que permite guiá-lo para decisões racionais.
Essas duas abordagens, responsáveis por pensamento criativo e raciocínio lógico respectivamente, trabalham juntas para resolver problemas matemáticos difíceis. Isso imita o raciocínio humano por meio de problemas de geometria, combinando seu entendimento existente com experimentação exploratória.
Teste e treinamento
“Este é mais um exemplo que reforça como a IA pode nos ajudar a avançar na ciência e entender melhor os processos subjacentes que determinam como o mundo funciona”, disse Quoc V. Le, cientista da Google DeepMind e um dos autores da pesquisa, numa coletiva de imprensa.
Para treinar o modelo de linguagem do AlphaGeometry, os pesquisadores tiveram que criar seus próprios dados de treinamento para compensar a escassez de dados geométricos existentes. Eles geraram quase meio bilhão de diagramas geométricos aleatórios e os alimentaram ao motor simbólico. O “motor” analisou cada diagrama e produziu declarações sobre suas propriedades. Essas declarações foram organizadas em 100 milhões de provas sintéticas para treinar o modelo de linguagem.
Como a nova IA do Google funciona
O novo programa da DeepMind funciona assim:
- Quando apresentado a um problema de geometria, o AlphaGeometry primeiro tenta gerar uma prova usando seu motor simbólico, baseado em lógica;
- Se não conseguir fazer isso usando apenas o motor simbólico, o modelo de linguagem adiciona um novo ponto ou linha ao diagrama. Isso abre possibilidades adicionais para o motor simbólico continuar procurando por uma prova;
- Este ciclo continua, com o modelo de linguagem adicionando elementos úteis e o motor simbólico testando novas estratégias de prova, até que uma solução verificável seja encontrada.
Wang diz que o objetivo é aplicar uma abordagem semelhante a campos de matemática mais amplos. “Geometria é apenas um exemplo para demonstrar que estamos à beira da IA ser capaz de raciocinar profundamente”, diz ele.
0 Comentários
Deixe a sua opinião