Un nuovo straordinario sistema di intelligenza artificiale chiamato AlphaGeometria ha recentemente risolto difficili problemi di matematica a livello di scuola superiore che sconcertano la maggior parte degli esseri umani. Combinando reti neurali di deep learning con ragionamento logico simbolico, AlphaGeometry traccia una direzione entusiasmante per sviluppare un pensiero più simile a quello umano.
L’innovazione chiave alla base di AlphaGeometry è la sua architettura “neuro-simbolica” che integra componenti di apprendimento neurale e motori di deduzione simbolica formale. Come spiegano i ricercatori di DeepMind, compiti di dimostrazione di teoremi come i problemi di costruzione della geometria richiedono entrambi (io) ragionamento creativo neurale flessibile per dedurre relazioni implicite e introdurre nuovi passaggi, e (ii) deduzione basata su regole logicamente rigorosa per costruire in modo affidabile catene di inferenze valide.
Né le reti neurali pure né la pura intelligenza artificiale simbolica da sole possono risolvere sfide così sfaccettate. Ma insieme, raggiungono sinergie impressionanti, impossibili da realizzare con uno dei due paradigmi presi singolarmente.
La sfida della dimostrazione di teoremi matematici
La dimostrazione di teoremi è considerata la prova definitiva delle capacità di ragionamento logico. Compiti come la costruzione della geometria comportano sfide sfaccettate:
- Riconoscimento flessibile dei modelli per scoprire relazioni geometriche implicite
- Salti creativi per introdurre costruzioni ausiliarie ed espandere lo spazio di ricerca delle prove
- Catene di inferenza logicamente valide che aderiscono a regole di deduzione formali
Sia il ragionamento basato su regole che l’apprendimento basato sui dati presentano limitazioni nell’affrontare simultaneamente questi diversi aspetti:
Motori simbolici puri mancano di versatilità nel riconoscimento dei modelli e nel suggerimento speculativo dei passaggi di prova. Ma consentono:
- Catene di ragionamento interpretabili e verificabili
- Deduzione affidabile basata su regole fondata sul rigore matematico
Reti neurali pure mostrano deficit di solidità logica e trasparenza. Ma apportano punti di forza in:
- Apprendimento di strategie complesse da esempi di dati
- Riconoscere relazioni complesse nascoste nei diagrammi geometrici
- Ragionamento speculativo flessibile per ipotizzare potenziali direzioni di prova
La soluzione neurosimbolica
Integrare l’apprendimento neurale con motori logici simbolici, come dimostra AlphaGeometry…
Fonte: towardsdatascience.com
