.
Vários anos antes do ChatGPT começar a tagarelar, o Google desenvolveu um tipo muito diferente de programa de inteligência artificial chamado AlphaGo, que aprendeu a jogar o jogo de tabuleiro Go com habilidade sobre-humana por meio de prática incansável.
Pesquisadores da empresa publicaram uma pesquisa que combina as habilidades de um grande modelo de linguagem (a IA por trás dos chatbots atuais) com as do AlphaZero, um sucessor do AlphaGo também capaz de jogar xadrez, para resolver provas matemáticas muito complicadas.
Sua nova criação Frankensteiniana, apelidada de AlphaProof, demonstrou sua destreza ao abordar vários problemas de 2024 Olimpíada Internacional de Matemática (IMO), uma prestigiada competição para estudantes do ensino médio.
AlphaProof usa o modelo de linguagem Gemini para converter questões matemáticas formuladas naturalmente em uma linguagem de programação chamada Magro. Isso fornece material de treinamento para um segundo algoritmo aprender, por meio de tentativa e erro, como encontrar provas que podem ser confirmadas como corretas.
No início deste ano, o Google DeepMind revelou outro algoritmo matemático chamado AlphaGeometry que também combina um modelo de linguagem com uma abordagem de IA diferente. AlphaGeometry usa Gemini para converter problemas de geometria em uma forma que pode ser manipulada e testada por um programa que lida com elementos geométricos. O Google também anunciou hoje uma versão nova e melhorada do AlphaGeometry.
Os pesquisadores descobriram que seus dois programas de matemática poderiam fornecer provas para quebra-cabeças da IMO tão bem quanto um medalhista de prata. Os programas resolveram dois problemas de álgebra e um problema de teoria dos números de seis no total. Eles resolveram um problema em minutos, mas levaram vários dias para descobrir outros. O Google DeepMind não revelou quanto poder de computação ele usou nos problemas.
O Google DeepMind chama a abordagem usada tanto no AlphaProof quanto no AlphaGeometry de “neuro-simbólica” porque elas combinam o aprendizado de máquina puro de uma rede neural artificial, a tecnologia que sustenta a maior parte do progresso em IA ultimamente, com a linguagem de programação convencional.
“O que vimos aqui é que você pode combinar a abordagem que foi tão bem-sucedida, e coisas como AlphaGo, com grandes modelos de linguagem e produzir algo que é extremamente capaz”, diz David Silver, pesquisador do Google DeepMind que liderou o trabalho no AlphaZero. Silver diz que as técnicas demonstradas com AlphaProof devem, em teoria, se estender a outras áreas da matemática.
De fato, a pesquisa levanta a perspectiva de abordar as piores tendências de grandes modelos de linguagem aplicando lógica e raciocínio de uma forma mais fundamentada. Por mais milagrosos que os grandes modelos de linguagem possam ser, eles frequentemente lutam para entender até mesmo matemática básica ou para raciocinar sobre problemas logicamente.
No futuro, o método neural-simbólico pode fornecer um meio para sistemas de IA transformarem perguntas ou tarefas em uma forma que possa ser raciocinada de uma forma que produza resultados confiáveis. Há rumores de que a OpenAI também esteja trabalhando em tal sistema, codinome “Morango”.
Há, no entanto, uma limitação fundamental com os sistemas revelados hoje, como Silver reconhece. As soluções matemáticas estão corretas ou incorretas, permitindo que o AlphaProof e o AlphaGeometry trabalhem em direção à resposta certa. Muitos problemas do mundo real — chegar ao itinerário ideal para uma viagem, por exemplo — têm muitas soluções possíveis, e qual delas é a ideal pode não estar claro. Silver diz que a solução para perguntas mais ambíguas pode ser um modelo de linguagem tentar determinar o que constitui uma resposta “certa” durante o treinamento. “Há um espectro de coisas diferentes que podem ser tentadas”, diz ele.
Silver também é cuidadoso ao notar que o Google DeepMind não vai tirar os matemáticos humanos do emprego. “Estamos buscando fornecer um sistema que possa provar qualquer coisa, mas isso não é o fim do que os matemáticos fazem”, ele diz. “Uma grande parte da matemática é propor problemas e descobrir quais são as perguntas interessantes a serem feitas. Você pode pensar nisso como outra ferramenta nos moldes de uma régua de cálculo ou calculadora ou ferramentas computacionais.”
.
