Νέα AI του Caltech σκέφτεται εκτός πλαισίου για να λύσει μαθηματικά προβλήματα δεκαετιών
Ερευνητές ανέπτυξαν ένα τεχνητά έξυπνο σύστημα που δεν σκέφτεται απλώς τα επόμενα βήματα, αλλά προχωρά εκατομμύρια βήματα μπροστά. Μια ομάδα με επικεφαλής τον μαθηματικό Sergei Gukov από το Ινστιτούτο Τεχνολογίας της Καλιφόρνιας (Caltech) δημιούργησε έναν νέο τύπο αλγορίθμου μηχανικής μάθησης που έχει σχεδιαστεί για την επίλυση μαθηματικών προβλημάτων που απαιτούν μια εξαιρετικά μεγάλη σειρά βημάτων.
Συγκεκριμένα, η AI μπόρεσε να σημειώσει πρόοδο σε ένα πολύπλοκο πρόβλημα που ονομάζεται εικασία Andrews-Curtis, το οποίο προβληματίζει τους μαθηματικούς εδώ και δεκαετίες. Η εικασία ουσιαστικά ρωτάει: Μπορούν ορισμένοι μαθηματικοί γρίφοι να λυθούν πάντα χρησιμοποιώντας ένα σύνολο επιτρεπόμενων κινήσεων, όπως η αναδιάταξη ή η αναίρεση βημάτων;
Για το σκοπό αυτό, το νέο πρόγραμμα του Caltech προσπάθησε να «βρει μεγάλες ακολουθίες βημάτων που είναι σπάνιες και δύσκολο να βρεθούν», δήλωσε ο Ali Shehper, πρώτος συγγραφέας της μελέτης και μαθηματικός στο Πανεπιστήμιο Rutgers, σε ανακοίνωση του Caltech. «Είναι σαν να προσπαθείς να βρεις το δρόμο σου μέσα σε έναν λαβύρινθο στο μέγεθος της Γης. Πρόκειται για πολύ μεγάλες διαδρομές που πρέπει να δοκιμάσεις, και υπάρχει μόνο μία διαδρομή που λειτουργεί».
Σε μια προτυπωμένη μελέτη που δημοσιεύτηκε στο arXiv τον περασμένο Αύγουστο και ενημερώθηκε την περασμένη Τρίτη, ο Shehper και οι συνάδελφοί του περιγράφουν λεπτομερώς πώς χρησιμοποίησαν τη νέα Τεχνητή Νοημοσύνη που ανέπτυξαν για να λύσουν οικογένειες προβλημάτων που σχετίζονται με την εικασία Andrews-Curtis, η οποία αφορά την αφηρημένη άλγεβρα. Για να είμαστε σαφείς, δεν έλυσαν το ίδιο το πρόβλημα. Αν και αυτό μπορεί να φαίνεται αντικλιμακτικό, οι ερευνητές διέψευσαν τα εν εξελίξει πιθανά αντιπαραδείγματα της εικασίας. Σαφώς η διάψευση των αντιπαραδειγμάτων δεν καθιστά απαραίτητα την αρχική εικασία αληθινή, αλλά τουλάχιστον την ενισχύει.
Ο αποκλεισμός κάποιων αντιπαραδειγμάτων μας δίνει εμπιστοσύνη στην εγκυρότητα της αρχικής εικασίας και μας βοηθά να αποκτήσουμε τη διαίσθησή μας για το κύριο πρόβλημα. Μας δίνει νέους τρόπους να το σκεφτούμε.
Ο Gukov συνέκρινε τα μαθηματικά προβλήματα με τον κύβο του Ρούμπικ.
Μπορείτε να πάρετε αυτόν τον ανακατεμένο, περίπλοκο κύβο του Ρούμπικ και να τον επαναφέρετε στην αρχική του κατάσταση; Πρέπει να δοκιμάσετε αυτές τις πολύ μεγάλες αλληλουχίες κινήσεων και δεν θα ξέρετε αν βρίσκεστε στο σωστό δρόμο μέχρι το τέλος.
Πώς το κάνει λοιπόν η Τεχνητή Νοημοσύνη; Βασικά, με το να σκέφτεται εκτός πλαισίου (σ.σ. out of the box που λένε και στο χωριό μας...). Ακολουθώντας μια προσέγγιση ενισχυτικής μάθησης, οι ερευνητές εκπαίδευσαν την Τεχνητή Νοημοσύνη τροφοδοτώντας την αρχικά με εύκολα μαθηματικά προβλήματα και στη συνέχεια με όλο και πιο δύσκολες εργασίες.
Δοκιμάζει διάφορες κινήσεις και ανταμείβεται για την επίλυση των προβλημάτων. Ενθαρρύνουμε το πρόγραμμα να κάνει περισσότερα από τα ίδια, διατηρώντας παράλληλα κάποιο επίπεδο περιέργειας. Στο τέλος, αναπτύσσει νέες στρατηγικές που είναι καλύτερες από αυτές που μπορούν να κάνουν οι άνθρωποι. Αυτή είναι η μαγεία της ενισχυτικής μάθησης.
Ο αλγόριθμος έμαθε τελικά να δημιουργεί μεγάλες ακολουθίες απροσδόκητων κινήσεων, τις οποίες οι ερευνητές ονόμασαν «σούπερ κινήσεις». Αντίθετα, το αποτέλεσμα του ChatGPT είναι πολύ πιο βαρετό.
.Αν ζητήσετε από το ChatGPT να γράψει ένα γράμμα, θα βγάλει κάτι τυπικό. Είναι απίθανο να καταλήξει σε κάτι μοναδικό και ιδιαίτερα πρωτότυπο. Είναι ένας καλός παπαγάλος. Το πρόγραμμά μας είναι καλό στο να καταλήγει σε ακραίες προτάσεις.
Ένα ακραίο γεγονός που θα ήταν πραγματικά χρήσιμο να παίρνουμε έγκυρες προβλέψεις από μια τεχνητή νοημοσύνη είναι τα οικονομικά κραχ. Μέχρι στιγμής τα υπάρχοντα προγράμματα μηχανικής μάθησης δεν έχουν επιτύχει αυτό το επίπεδο προγνωστικής πολυπλοκότητας, ωστόσο, οι ερευνητές εικάζουν ότι οι μέθοδοί τους θα μπορούσαν μια μέρα να συμβάλουν σε αυτού του είδους τις ευφυείς προβλέψεις.
[via]
