DeepMind, le laboratoire de recherche en intelligence artificielle de Google, pourrait-il détenir la clé pour des systèmes IA plus capables à travers la résolution de problèmes géométriques complexes?
Pour bien comprendre leur dernière innovation, AlphaGeometry, ne devrions-nous pas explorer sa capacité à résoudre les problèmes de géométrie que même les médaillés d’or du prestigieux Concours International de Mathématiques (IMO) trouvent difficiles? Avec un code nouvellement ouvert au public, AlphaGeometry a réussi à résoudre 25 problèmes d’Olympiades de géométrie en temps réglementaire, surpassant ainsi le précédent système de pointe qui en résolvait 10. Qu’est-ce que cela implique pour l’avenir de l’IA?
Les chercheurs de Google AI, Trieu Trinh et Thang Luong, insistent sur le fait que résoudre des problèmes de géométrie de niveau Olympiade constitue un jalon important dans le développement du raisonnement mathématique profond. Mais quelle importance cela a-t-il réellement sur le chemin vers des systèmes d’IA plus avancés et généraux?
La résolution de problèmes géométriques complexes par l’IA est-elle le signe précurseur de capacités de raisonnement avancées?
AlphaGeometry mise sur deux aspects fondamentaux: un modèle de « langue neuronale » similaire à ChatGPT et un « moteur de déduction symbolique », qui utilise des règles pour inférer des solutions. Mais, comment DeepMind a-t-il contourné les difficultés intrinsèques aux moteurs symboliques, comme leur manque de flexibilité ou leur lenteur avec les grands ensembles de données complexes?
En l’absence de données géométriques exploitables, est-ce que la création par DeepMind de 100 millions de « théorèmes synthétiques » représente une innovation majeure pour l’entraînement de son IA? Et comment AlphaGeometry a-t-il été évalué sur des problèmes d’Olympiades, des problèmes basés sur des diagrammes nécessitant des « constructions » additionnelles telles que points, lignes ou cercles avant de pouvoir être résolus?
L’approche combinée du système hybride symbolique-neuronale de DeepMind, comme AlphaFold 2 et AlphaGo, pourrait-elle vraiment être la meilleure voie à suivre dans la quête d’une IA généralisable? Et si tel est le cas, comment cela façonnera-t-il la manière dont les futurs systèmes d’IA découvrent de nouvelles connaissances, en mathématiques et au-delà?
Et finalement, ne devrions-nous pas nous interroger sur cette dichotomie entre réseaux de neurones et manipulation de symboles—qui est réellement la meilleure approche pour l’IA de demain?
Source : Techcrunch
