Etiqueta: Matemáticas

Varios años antes de que ChatGPT comenzara a parlotear, Google desarrolló un programa de inteligencia artificial muy diferente llamado AlphaGo, que aprendió a jugar al juego de mesa Go con una habilidad sobrehumana a través de una práctica incansable. Los investigadores de la empresa han publicado ahora una investigación que combina las capacidades de un gran modelo de lenguaje (la IA detrás de los chatbots actuales) con las de AlphaZero, un sucesor de AlphaGo también capaz de jugar al ajedrez, para resolver pruebas matemáticas muy complicadas. Su nueva creación frankensteiniana, bautizada AlphaProof, ha demostrado su destreza al abordar varios problemas de la Olimpiada Internacional de Matemáticas de 2024 (IMO), una prestigiosa competición para estudiantes de secundaria. AlphaProof utiliza el gran modelo de lenguaje de Gemini para convertir preguntas matemáticas formuladas de forma natural en un lenguaje de programación llamado Lean. Esto proporciona el material de entrenamiento para un segundo algoritmo que aprende, a través de ensayo y error, cómo encontrar pruebas que se puedan confirmar como correctas. A principios de este año, Google DeepMind reveló otro algoritmo matemático llamado AlphaGeometry que también combina un modelo de lenguaje con un enfoque de IA diferente. AlphaGeometry utiliza Gemini para convertir problemas de geometría en una forma que pueda ser manipulada y probada por un programa que maneja elementos geométricos. Google también anunció hoy una versión nueva y mejorada de AlphaGeometry. Los investigadores descubrieron que sus dos programas de matemáticas podían proporcionar pruebas para los acertijos de la OMI tan bien como lo haría un medallista de plata. Los programas resolvieron dos problemas de álgebra y un problema de teoría de números de un total de seis. Resolvió un problema en minutos, pero tardó varios días en resolver otros. Google DeepMind no ha revelado cuánta potencia informática utilizó para resolver los problemas. Google DeepMind llama al enfoque utilizado tanto para AlphaProof como para AlphaGeometry «neurosimbólico» porque combinan el aprendizaje automático puro de una red neuronal artificial, la tecnología que sustenta la mayor parte del progreso en IA en los últimos tiempos, con el lenguaje de la programación convencional. «Lo que hemos visto aquí es que se puede combinar el enfoque que tuvo tanto éxito, y cosas como AlphaGo, con grandes modelos de lenguaje y producir algo que es extremadamente capaz», dice David Silver, el investigador de Google DeepMind que dirigió el trabajo en AlphaZero. Silver dice que las técnicas demostradas con AlphaProof deberían, en teoría, extenderse a otras áreas de las matemáticas. De hecho, la investigación plantea la posibilidad de abordar las peores tendencias de los grandes modelos de lenguaje mediante la aplicación de la lógica y el razonamiento de una manera más fundamentada. Por milagrosos que puedan ser los grandes modelos de lenguaje, a menudo tienen dificultades para comprender incluso las matemáticas básicas o para razonar los problemas de manera lógica. En el futuro, el método neural-simbólico podría proporcionar un medio para que los sistemas de IA conviertan las preguntas o tareas en una forma sobre la que se pueda razonar de una manera que produzca resultados confiables. También se rumorea que OpenAI está trabajando en un sistema de este tipo, cuyo nombre en código es «Strawberry». Sin embargo, hay una limitación clave con los sistemas revelados hoy, como reconoce Silver. Las soluciones matemáticas son correctas o incorrectas, lo que permite a AlphaProof y AlphaGeometry avanzar hacia la respuesta correcta. Muchos problemas del mundo real (por ejemplo, idear el itinerario ideal para un viaje) tienen muchas soluciones posibles, y puede que no esté claro cuál es la ideal. Silver dice que la solución para las preguntas más ambiguas puede ser que un modelo de lenguaje intente determinar qué constituye una respuesta “correcta” durante el entrenamiento. “Hay un espectro de cosas diferentes que se pueden probar”, dice. Silver también es cuidadoso al señalar que Google DeepMind no dejará a los matemáticos humanos sin trabajo. “Nuestro objetivo es proporcionar un sistema que pueda demostrar cualquier cosa, pero ese no es el fin de lo que hacen los matemáticos”, dice. “Una gran parte de las matemáticas es plantear problemas y encontrar cuáles son las preguntas interesantes que se deben hacer. Se podría pensar en esto como otra herramienta en la línea de una regla de cálculo o una calculadora o herramientas computacionales”.