Un innovador sistema de inteligencia artificial desarrollado por Google DeepMind, uno de los principales laboratorios de IA a nivel mundial, es capaz de resolver problemas complejos de geometría a un nivel comparable al de un medallista de oro en la prestigiosa Olimpiada Internacional de Matemáticas (IMO).
Denominado AlphaGeometry, este sistema revolucionario combina dos enfoques distintos: un modelo de lenguaje neuronal que genera ideas intuitivas y un motor de deducción simbólica que valida estas ideas a través de lógica formal. El modelo de lenguaje se basa en la misma tecnología que impulsa el famoso motor de búsqueda de Google y sus sistemas de procesamiento de lenguaje natural. Por su parte, el motor de deducción se inspira en un método creado por el matemático chino Wen-Tsün Wu en 1978.
Los investigadores pusieron a prueba AlphaGeometry en 30 rigurosos problemas de geometría de la IMO, considerados desafiantes incluso para matemáticos expertos. Sorprendentemente, el sistema resolvió exitosamente 25 de estos problemas dentro del límite de tiempo estándar de 4.5 horas, igualando el puntaje promedio de los medallistas de oro humanos. En contraste, el sistema líder previo, basado en el método de Wu, solo resolvió 10 problemas.
Los hallazgos, publicados en Nature, indican que la IA no solo puede razonar lógicamente, sino también descubrir nuevos insights matemáticos. La matemática, especialmente la geometría, ha representado históricamente desafíos para los investigadores de IA debido a la necesidad de creatividad y precisión. A diferencia de los modelos basados en texto, que pueden acceder a vastas cantidades de datos de internet, los datos matemáticos son más simbólicos y específicos del dominio, lo que los hace menos comunes. Además, resolver problemas matemáticos requiere un razonamiento lógico robusto, un área donde la mayoría de los modelos actuales de IA suelen tener dificultades.
Para abordar estos desafíos, los investigadores aplicaron un enfoque neuro-simbólico novedoso, aprovechando las fortalezas de las redes neuronales y los sistemas simbólicos. Mientras que las redes neuronales sobresalen en el reconocimiento de patrones y la predicción de resultados, a menudo carecen de poder explicativo. En contraste, los sistemas simbólicos operan con lógica formal estricta, lo que les permite corregir y justificar las decisiones tomadas por la red neuronal.
Los investigadores compararon su enfoque con el concepto de "pensar rápido y despacio", popularizado por el ganador del Premio Nobel Daniel Kahneman, donde un sistema ofrece ideas rápidas e intuitivas mientras que el otro se dedica a un razonamiento más deliberado y lógico. Juntos, estos sistemas colaboran para enfrentar desafíos matemáticos complejos.
Además, AlphaGeometry demostró la capacidad de generalizar a nuevos problemas, probando teoremas no explicitados en las declaraciones de los problemas. Por ejemplo, logró demostrar un teorema relativo a la bisectriz de un ángulo en un triángulo, que no fue dado como premisa ni como objetivo.
El equipo espera que, al abrir su sistema, se inspire a más investigaciones y aplicaciones en matemáticas, ciencia e IA. También reconocen las limitaciones actuales, como la necesidad de pruebas más comprensibles para los humanos y la escalabilidad a problemas más complejos, junto con las consideraciones éticas en torno a la IA en matemáticas.
Aunque AlphaGeometry se centra actualmente en la geometría, los investigadores creen que su metodología de datos sintéticos podría potenciar el razonamiento de la IA en campos matemáticos y científicos donde hay pocos datos de entrenamiento generados por humanos. Al automatizar el descubrimiento y la verificación de nuevos conocimientos, el aprendizaje automático tiene el potencial de acelerar significativamente la comprensión humana en diversas disciplinas.
Clasificación
