A onda de aprendizagem profunda está a remodelar o panorama da investigação matemática, e o aparecimento do DeepSeek-Prover-V2 faz-me pensar no que acontecerá aos matemáticos humanos quando a IA começar a resolver problemas de nível IMO. Do AlphaGo ao AlphaFold e aos actuais modelos de prova de teoremas, a velocidade de progresso da IA é um pouco "vertiginosa". Especialmente quando vi aquele gigante de 671 mil milhões de parâmetros vencer facilmente o conjunto de testes MiniF2F com uma taxa de aprovação de 88,9%, compreendi subitamente porque é que alguns matemáticos começaram a chamar à IA "o assistente de investigação mais aterrador".
Três direcções evolutivas para a IA matemática
Como se viu no caso do DeepSeek, o futuro da IA matemática poderá seguir estes caminhos interessantes:
em primeiro lugarCivilização das provas formaisAs provas matemáticas tradicionais são muitas vezes uma "caixa negra". As provas matemáticas tradicionais são muitas vezes "caixas negras", e mesmo os melhores artigos de jornal podem conter erros. Lembra-se da prova de 2013 da conjetura ABC que abalou o mundo da matemática? A comunidade académica demorou 6 anos a verificá-la. Modelos como o Prover-V2, que integra na perfeição o raciocínio em linguagem natural e a verificação do código Lean, poderão no futuro permitir que qualquer entusiasta da matemática efectue uma verificação rigorosa da máquina.
Seguinte.Um novo paradigma para a descoberta matemática. O caso do mini-modelo 7B que resolveu 13 questões que o modelo 671B não conseguiu resolver é particularmente interessante, pois sugere que a IA pode desenvolver soluções inesperadas para os humanos. Tal como o novo algoritmo de multiplicação de matrizes descoberto pela IA do Facebook em 2019, que alterou completamente a perceção tradicional. É provável que as futuras descobertas matemáticas sejam o resultado de um "brainstorming" entre humanos e IA.
fimUma revolução no ensino da matemática. Achei o modelo Chain of Thought (CoT) do Prover-V2 um tutor de matemática perfeito - não se limita a dar a resposta, mostra todo o processo de pensamento. Faz-me lembrar a visão da Khan Academy, mas a IA poderia ser 100 vezes mais personalizada e reactiva do que os humanos. Imagine um tutor de IA que pode responder prontamente a puzzles de OU e verificar a sua solução com Lean...
Obstáculos técnicos e possibilidades de inovação
É claro que existem limites óbvios para a IA matemática. Por exemplo, ao resolver problemas mais abstractos de geometria algébrica, o desempenho do modelo cai a pique e a própria equipa do DeepSeek admite que o sistema atual se debate com problemas que "exigem a construção criativa de contra-exemplos". Isto reflecte a falta de inovação concetual na IA atual.
No entanto, a combinação da aprendizagem por reforço e das provas recursivas oferece a possibilidade de um avanço. O algoritmo GRPO mencionado no relatório destacou-se para mim - permite que a IA aprenda a "pensar criticamente" através de mecanismos de recompensa relativos, o que é muito mais inteligente do que apenas aumentar o número de parâmetros. Curiosamente, quando o modelo foi repetidamente treinado no ProverBench, descobriu por si próprio truques especiais como o Cardinal.toNat, e esta capacidade emergente é a parte mais promissora.
Mudança de paradigma na investigação matemática
O mundo da matemática pode estar a enfrentar uma segunda revolução na metodologia, depois das provas assistidas por computador. O famoso matemático Tao Zhexuan previu uma vez que "nos próximos 10 anos, a IA irá reescrever a forma como os artigos de matemática são escritos". Atualmente, esta previsão pode ser conservadora - o Prover-V2 demonstrou a capacidade de sugerir uma nova forma de assinar "provas colaborativas IA-humanas".
O que mais me surpreendeu foi a forma como o modelo lidou com as perguntas do concurso AIME. Estas perguntas requerem normalmente um pensamento construtivo inteligente e a IA conseguiu efetivamente atingir um nível quase humano. Não posso deixar de imaginar: se o GPT-4 é responsável pela conceção criativa, o Prover-V2 é responsável pela verificação rigorosa e é adicionado um modelo generativo de linguagem natural que pode explicar o processo de prova, não será este o fluxo de trabalho padrão da investigação matemática futura?
评论列表 (0条):
加载更多评论 Carregando...