伦敦/北京 – 谷歌 DeepMind 近日发布了其最新人工智能系统 AlphaGeometry2，该系统在解决复杂几何问题方面取得了突破性进展，尤其是在国际数学奥林匹克竞赛 (IMO) 级别的难题上。这项技术不仅展示了 AI 在数学领域的巨大潜力，也为未来的数学教育和研究开辟了新的可能性。
AlphaGeometry2 并非简单的计算器，它结合了神经符号方法，巧妙地将谷歌 Gemini 系列的语言模型与符号引擎相结合。这意味着它既能像人类一样进行直觉性的几何构造预测，又能像计算机一样进行严谨的逻辑推理。
超越金牌得主的解题能力
根据 DeepMind 公布的数据，AlphaGeometry2 在过去 25 年的 IMO 几何问题中取得了 84% 的解题率。这一成绩不仅远超以往的 AI 系统，甚至超越了人类金牌得主的平均水平。这表明 AlphaGeometry2 已经具备了在复杂几何问题上与顶尖人类专家相媲美的能力。
技术原理：神经符号方法的巧妙融合
AlphaGeometry2 的核心在于其神经符号方法。Gemini 系列的语言模型负责预测解题所需的辅助几何构造，例如添加新的点、线或圆。而符号引擎，即 DDAR2 (Deductive Database Arithmetic Reasoning)，则负责基于严格的数学规则进行推理和证明。
DDAR2 是一种计算演绎闭包的算法，它从一组初始事实出发，通过固定的推理规则逐步推导出所有可能的事实，直到无法再推导为止。DeepMind 对 DDAR2 进行了多项改进，包括处理重合点的能力、更快的算法实现（从 Python 改为 C++，速度提升 300 倍），以及更高效的规则应用。
此外，AlphaGeometry2 还采用了 SKEST (基于知识共享集成的搜索树) 的并行搜索算法。该算法通过多个配置不同的搜索树并行运行，每个节点对应一次辅助构造尝试和符号引擎的运行。如果尝试成功，则所有搜索树终止；如果失败，成功证明的事实会被记录到共享事实库中，供其他节点使用。
数据驱动：3 亿个定理和证明的训练
为了解决几何问题训练数据匮乏的问题，DeepMind 采取了合成数据训练的方法。他们生成了超过 3 亿个不同复杂度的定理和证明用于训练 AlphaGeometry2。这种大规模的数据训练是 AlphaGeometry2 取得突破性进展的关键因素之一。
应用前景：数学教育、研究和形式化推理
AlphaGeometry2 的成功不仅仅局限于数学竞赛。它在数学教育、研究和形式化推理等领域都具有广阔的应用前景：
- 数学教育： AlphaGeometry2 可以作为数学教育中的辅助工具，帮助学生和教师更好地理解和解决复杂的几何问题。通过展示解题过程和逻辑推理，能为学生提供学习和练习的范例。
- 数学研究： AlphaGeometry2 的技术可以扩展到数学研究领域，在需要复杂几何推理和证明的场景中。能为数学家提供新的思路和方法，帮助解决尚未解决的几何问题。
- 形式化数学推理： 结合 AlphaProof 等其他 AI 模型，AlphaGeometry2 可以用于形式化数学推理，验证数学定理的正确性。
挑战与展望
尽管 AlphaGeometry2 取得了显著的成就，但它仍然面临着一些挑战。例如，如何进一步提高其在更复杂、更抽象的几何问题上的解题能力？如何将其技术推广到其他数学领域？这些问题都值得进一步研究和探索。
DeepMind 的 AlphaGeometry2 代表了 AI 在数学领域的一次重大突破。它不仅展示了 AI 在解决复杂问题方面的强大潜力，也为未来的数学教育和研究开辟了新的可能性。随着 AI 技术的不断发展，我们有理由相信，AI 将在数学领域发挥越来越重要的作用。
参考文献：
- arXiv技术论文: https://arxiv.org/pdf/2502.03544
Views: 0