- DeepMind 的 AlphaGeometry 2 在 25 年内解决了 84% 的 IMO 几何问题，而其前身 AlphaGeometry 的解决率为 54%。
- 它采用混合方法：符号引擎和 Gemini 语言模型，可自动生成和验证几何解。
- 他在测试中超过了金牌获得者的平均水平，50道题中做对了42道，但在不等式和非线性方程方面存在困难。
DeepMind凭借 AlphaGeometry 2，在将人工智能应用于数学领域方面迈出了新的一步。
改进后的AlphaGeometry已经展现出显著的进步。在最近的测试中，该人工智能已经成功解决了过去25年国际数学奥林匹克竞赛中出现的84%的几何问题，而其前身版本仅解决了54% 。
混合解决方法
AlphaGeometry 2 融合了多种系统以实现其高性能。它依赖于一个负责处理数学规则的符号引擎，以及一个基于谷歌 Gemini 模型族的语言模型。这种组合使得生成可自动验证的解决方案成为可能。
该系统的关键特性之一是能够通过在平面上移动几何对象来进行推理。通过沿直线移动点或修改三角形的高度，AlphaGeometry 2 可以更高效地探索不同的问题解决方法。
结果与局限性
AlphaGeometry 2 的成果令人印象深刻，但仍面临挑战。虽然该人工智能已被证明能够解决大多数 IMO 几何问题，但在处理涉及不等式和非线性方程的问题时仍然举步维艰。
在后续测试中，人工智能解决了50道选定的IMO题目中的42道，超过了人类金牌得主的平均水平。然而，在第二轮由专家提出的更复杂题目的测试中，其成功率有所下降。
未来的应用
DeepMind 不会止步于奥运几何，因为 AlphaGeometry 2 的潜力远不止于此。该公司已经在探索如何将这项技术扩展到数学结构优化、高级工程，甚至密码学等领域。
此外，符号模型与神经网络的结合有望为新一代人工智能奠定基础。这种混合方法有助于创建不仅能模仿人类思维，还能逻辑地解释和验证自身解决方案的系统。
AlphaGeometry 2 的推出标志着人工智能在数学应用领域迈出了里程碑式的一步。它能够精确地解决复杂问题，为人类与人工智能的协作开辟了新的可能性，并为未来多个科学技术领域的创新铺平了道路。
