DeepMind, noto per essere il laboratorio di ricerca e sviluppo di Google nel campo dell’intelligenza artificiale, ha recentemente fatto un salto significativo verso lo sviluppo di sistemi AI più avanzati. La loro ultima innovazione, AlphaGeometry, è un sistema che ha dimostrato capacità eccezionali nel risolvere problemi di geometria impegnativi, paragonabili a quelle di un vincitore di medaglia d’oro alle Olimpiadi Internazionali di Matematica.
Questa svolta non è solo una conquista per DeepMind, ma segna anche un punto di svolta nel campo dell’intelligenza artificiale e della matematica. AlphaGeometry, con il suo codice ora open source, ha superato le prestazioni del precedente sistema leader, risolvendo 25 problemi di geometria delle Olimpiadi in un tempo standard, più del doppio rispetto ai 10 problemi risolti dal precedente sistema. Il successo di AlphaGeometry dimostra l’importanza del ragionamento matematico e come questo possa essere un gradino fondamentale verso sistemi AI più generali e avanzati.
La scelta di concentrarsi sulla geometria è significativa. Secondo DeepMind, dimostrare teoremi matematici e spiegare logicamente la verità di un teorema, come il famoso teorema di Pitagora, richiede un mix di ragionamento e capacità di selezionare i passaggi appropriati verso una soluzione. Questo tipo di approccio potrebbe essere cruciale per lo sviluppo di sistemi di intelligenza artificiale di uso generale in futuro.
DeepMind ha affrontato sfide uniche nell’addestramento di AlphaGeometry. A causa delle difficoltà nel tradurre le prove in un formato che le macchine possono comprendere, c’era una carenza di dati di addestramento utilizzabili. Inoltre, mentre i modelli AI generativi moderni sono eccellenti nell’identificare modelli e relazioni nei dati, spesso mancano della capacità di ragionare logicamente attraverso teoremi.
Per superare queste sfide, DeepMind ha combinato un modello di linguaggio neurale, simile a ChatGPT, con un motore di deduzione simbolica che utilizza regole matematiche per trovare soluzioni. Questo approccio ibrido ha permesso ad AlphaGeometry di guidare il motore di deduzione verso possibili soluzioni, migliorando l’efficienza e la flessibilità del sistema.
Il risultato? Un sistema in grado di generare idee rapide e intuitive, supportate da un processo decisionale più deliberato e razionale. La capacità di AlphaGeometry di risolvere problemi complessi ha stimolato ulteriormente il dibattito sull’approccio ottimale per lo sviluppo dell’IA, tra la manipolazione simbolica e le reti neurali. Mentre le reti neurali si sono dimostrate potenti in molti ambiti, alcuni esperti sostengono che l’IA simbolica potrebbe essere meglio posizionata per codificare la conoscenza e navigare in scenari complessi.
In definitiva, l’approccio ibrido di AlphaGeometry, che combina reti neurali e manipolazione simbolica, potrebbe indicare la strada da seguire per la realizzazione di un’intelligenza artificiale generalizzabile. Il team di DeepMind mira a costruire sistemi AI che possano generalizzarsi attraverso diversi campi della matematica, spingendo i confini della conoscenza umana e modellando il futuro dell’intelligenza artificiale.
