Google की कृत्रिम बुद्धिमत्ता अनुसंधान और विकास प्रयोगशाला, डीपमाइंड का मानना है कि कृत्रिम बुद्धिमत्ता प्रणालियों की क्षमताओं में सुधार की कुंजी चुनौतीपूर्ण ज्यामितीय समस्याओं को हल करने के नए तरीकों की खोज में निहित हो सकती है। उस अंत तक, डीपमाइंड ने आज अल्फ़ाजियोमेट्री जारी की - एक ऐसी प्रणाली जिसका प्रयोगशाला दावा करती है कि वह औसत अंतर्राष्ट्रीय गणितीय ओलंपियाड स्वर्ण पदक विजेता के बराबर ज्यामिति समस्याओं को हल कर सकती है।
अल्फ़ाजियोमेट्री, जिसका कोड आज सुबह खुला स्रोत था, मानक समय सीमा के भीतर 25 ओलंपियाड ज्यामिति समस्याओं को हल कर सकता है, जो पिछली अत्याधुनिक प्रणाली की 10 से अधिक है।
Google AI अनुसंधान वैज्ञानिकों त्रियु त्रिन और थांग लुओंग ने आज सुबह प्रकाशित एक ब्लॉग पोस्ट में लिखा, "ओलंपियाड-स्तरीय ज्यामिति समस्याओं को हल करना गहन गणितीय तर्क विकसित करने में एक महत्वपूर्ण मील का पत्थर है और अधिक उन्नत और सामान्य-उद्देश्यीय एआई सिस्टम की दिशा में एक आवश्यक कदम है।" "[हमें] उम्मीद है... कि अल्फ़ाजियोमेट्री हमें गणित, विज्ञान और कृत्रिम बुद्धिमत्ता में नई संभावनाओं को खोलने में मदद करेगी।"
ज्यामिति पर ध्यान क्यों दें? डीपमाइंड का दावा है कि गणितीय प्रमेय को साबित करना, या तार्किक रूप से यह समझाना कि एक प्रमेय (जैसे पाइथागोरस प्रमेय) सत्य क्यों है, के लिए तर्क और संभावित चरणों की श्रृंखला से समाधान का चयन करने की क्षमता दोनों की आवश्यकता होती है। यदि डीपमाइंड सही है, तो यह समस्या-समाधान दृष्टिकोण एक दिन सामान्य कृत्रिम बुद्धिमत्ता प्रणालियों में उपयोगी साबित हो सकता है।
डीपमाइंड ने प्रेस विज्ञप्ति में लिखा: "किसी अनुमान की सच्चाई या झूठ को साबित करना आज की सबसे उन्नत कृत्रिम बुद्धिमत्ता प्रणालियों की क्षमताओं से परे है। इस लक्ष्य की ओर, गणितीय प्रमेय को साबित करने में सक्षम होना... एक महत्वपूर्ण मील का पत्थर है क्योंकि यह तार्किक तर्क की महारत और नए ज्ञान की खोज करने की क्षमता को प्रदर्शित करता है।"
हालाँकि, ज्यामितीय समस्याओं को हल करने के लिए कृत्रिम बुद्धिमत्ता प्रणालियों का प्रशिक्षण अद्वितीय चुनौतियाँ पेश करता है।
प्रमाणों को ऐसे प्रारूप में परिवर्तित करने की जटिलता के कारण जिसे मशीनें समझ सकें, ज्यामितीय प्रशिक्षण डेटा की कमी है। आज के कई अत्याधुनिक जेनेरिक एआई मॉडल, डेटा में पैटर्न और संबंधों की पहचान करने में उत्कृष्ट हैं, लेकिन प्रमेयों के माध्यम से तार्किक रूप से तर्क करने की क्षमता का अभाव है।
अल्फ़ाजियोमेट्री को डिज़ाइन करने में, लैब ने एक "न्यूरल लैंग्वेज" मॉडल को जोड़ा, जो कि चैटजीपीटी की वास्तुकला के समान एक मॉडल है, एक "प्रतीकात्मक व्युत्पत्ति इंजन" (एक इंजन जो नियमों का लाभ उठाता है - गणितीय नियमों की तरह - समस्याओं का समाधान निकालने के लिए)। प्रतीकात्मक इंजन अनम्य और धीमे हो सकते हैं, खासकर जब बड़े या जटिल डेटा सेट के साथ काम करते हैं। लेकिन डीपमाइंड किसी दिए गए ज्यामितीय समस्या के संभावित उत्तर खोजने के लिए तंत्रिका मॉडल को अनुमान इंजन को "मार्गदर्शित" करने की अनुमति देकर इन समस्याओं को कम करता है।
प्रशिक्षण डेटा को प्रतिस्थापित करने के लिए, डीपमाइंड ने अपना स्वयं का सिंथेटिक डेटा बनाया, जिससे 100 मिलियन "सिंथेटिक प्रमेय" और विभिन्न जटिलता के प्रमाण उत्पन्न हुए। इसके बाद प्रयोगशाला ने सिंथेटिक डेटा पर शुरुआत से ही अल्फा ज्योमेट्री को प्रशिक्षित किया और ओलंपिक ज्यामिति समस्याओं पर इसका मूल्यांकन किया।
ओलंपिक ज्यामिति की समस्याएं आरेखों पर आधारित होती हैं, और आपको समस्याओं को हल करने से पहले बिंदु, रेखाएं या वृत्त जैसी "रचनाएं" जोड़ने की आवश्यकता होती है। जब इन समस्याओं पर लागू किया जाता है, तो अल्फ़ा जियोमेट्री का तंत्रिका मॉडल भविष्यवाणी करता है कि किन संरचनाओं को जोड़ने की आवश्यकता हो सकती है - अल्फ़ा जियोमेट्री का प्रतीकात्मक इंजन समान समाधान खोजने के लिए आरेख के बारे में तर्क करने के लिए इन भविष्यवाणियों का उपयोग करता है।
ट्रिन और लुओंग लिखते हैं: "इतने सारे उदाहरणों के साथ कि कैसे ये निर्माण प्रमाणों की ओर ले जाते हैं, अल्फाजियोमेट्री का भाषा मॉडल ओलंपिक ज्यामिति समस्याओं का सामना करते समय नए निर्माणों के लिए अच्छे सुझाव देने में सक्षम है। एक प्रणाली त्वरित, 'सहज' विचार प्रदान करती है, जबकि दूसरी प्रणाली अधिक विचारशील, तर्कसंगत निर्णय प्रदान करती है।"
अल्फ़ाजियोमेट्री का समाधान, जो इस सप्ताह नेचर जर्नल में प्रकाशित हुआ है, इस बात पर लंबे समय से बहस छिड़ने की संभावना है कि क्या कृत्रिम बुद्धिमत्ता प्रणालियों को प्रतीकात्मक हेरफेर पर आधारित होना चाहिए - यानी, ज्ञान का प्रतिनिधित्व करने वाले प्रतीकों में हेरफेर करने के लिए नियमों का उपयोग करना - या तंत्रिका नेटवर्क पर जो सतह पर दिमाग की तरह दिखते हैं।
तंत्रिका नेटवर्क दृष्टिकोण के समर्थकों का मानना है कि बुद्धिमान व्यवहार - भाषण मान्यता से छवि निर्माण तक - भारी मात्रा में डेटा और गणना से उभर सकता है। प्रतीकात्मक प्रणालियों की तुलना में, तंत्रिका नेटवर्क सांख्यिकीय अनुमान और उदाहरणों से सीखकर कार्यों को हल करने का प्रयास करते हैं, जो प्रतीक हेरफेर नियमों के एक सेट को परिभाषित करके कार्यों को हल करते हैं जो एक विशिष्ट कार्य के लिए विशिष्ट होते हैं (जैसे कि वर्ड प्रोसेसिंग सॉफ़्टवेयर में एक पंक्ति को संपादित करना)।
तंत्रिका नेटवर्क OpenAI के DALL-E3 और GPT-4 जैसे शक्तिशाली कृत्रिम बुद्धिमत्ता प्रणालियों की आधारशिला हैं। हालाँकि, प्रतीकात्मक एआई के समर्थकों का तर्क है कि तंत्रिका नेटवर्क सर्वशक्तिमान नहीं हैं; इन समर्थकों का तर्क है कि प्रतीकात्मक एआई दुनिया के बारे में ज्ञान को कुशलतापूर्वक एन्कोड करने, जटिल परिदृश्यों में तर्क करने और "समझाने" के लिए बेहतर अनुकूल हो सकता है कि वे उत्तर तक कैसे पहुंचते हैं।
डीपमाइंड के अल्फाफोल्ड2 और अल्फागो के समान एक प्रतीकात्मक-तंत्रिका नेटवर्क हाइब्रिड सिस्टम के रूप में, अल्फाजियोमेट्री यह साबित कर सकती है कि प्रतीकात्मक हेरफेर और तंत्रिका नेटवर्क के दो तरीकों का संयोजन सामान्य कृत्रिम बुद्धिमत्ता को खोजने का सबसे अच्छा तरीका है।
ट्रिन और लुओंग ने लिखा, "हमारा दीर्घकालिक लक्ष्य एआई सिस्टम का निर्माण करना है जो गणित में सामान्य-उद्देश्य है, जटिल समस्या-समाधान और तर्क क्षमताओं को विकसित करना है, जिस पर सामान्य-उद्देश्य एआई सिस्टम निर्भर करते हैं।" "यह दृष्टिकोण यह आकार दे सकता है कि भविष्य की कृत्रिम बुद्धिमत्ता प्रणालियाँ गणित और अन्य क्षेत्रों में नए ज्ञान की खोज कैसे करती हैं।"