Para entrenar el modelo de lenguaje de AlphaGeometry, los investigadores tuvieron que crear sus propios datos de entrenamiento para compensar la escasez de datos geométricos existentes. Generaron casi 500 millones de diagramas geométricos aleatorios y los alimentaron al motor simbólico. Este motor analizó cada diagrama y produjo declaraciones sobre sus propiedades. Estas declaraciones se organizaron en 100 millones de pruebas sintéticas para entrenar el modelo del lenguaje.
Roman Yampolskiy, profesor asociado de ciencias informáticas e ingeniería en la Universidad de Louisville que no participó en la investigación, dice que la capacidad de AlphaGeometry muestra un avance significativo hacia “habilidades de resolución de problemas más sofisticadas y similares a las humanas en las máquinas”.
“Más allá de las matemáticas, sus implicaciones abarcan campos que dependen de la resolución de problemas geométricos, como la visión por computadora, la arquitectura e incluso la física teórica”, dijo Yampoliskiy en un correo electrónico.
Sin embargo, hay espacio para la mejora. Si bien AlphaGeometry puede resolver problemas que se encuentran en matemáticas “elementales”, sigue siendo incapaz de abordar el tipo de problemas abstractos y avanzados que se enseñan en la universidad.
“Los matemáticos estarían realmente interesados si la IA pudiera resolver los problemas que se plantean en la investigación matemática, tal vez al tener nuevos conocimientos matemáticos”, dijo van Doorn.
Wang dice que el objetivo es aplicar un enfoque similar a campos matemáticos más amplios. “La geometría es sólo un ejemplo para que demostremos que estamos a punto de que la IA pueda realizar un razonamiento profundo”, afirma.