\n<\/p>\n
DeepMind, la filial de Google especializada en inteligencia artificial (IA), present\u00f3 el 17 de enero un modelo con un fuerte apetito por las matem\u00e1ticas. Tanto es as\u00ed que la soluci\u00f3n, denominada AlphaGeometry, resolvi\u00f3 m\u00e1s de veinte problemas complejos de geometr\u00eda de un prestigioso concurso reservado para estudiantes de…<\/p>\n
DeepMind, la filial de Google especializada en inteligencia artificial (IA), present\u00f3 el 17 de enero un modelo con un fuerte apetito por las matem\u00e1ticas. Tanto es as\u00ed que la soluci\u00f3n, llamada AlfaGeometr\u00eda<\/em>resolvi\u00f3 m\u00e1s de veinte problemas complejos de geometr\u00eda de un prestigioso concurso reservado a estudiantes menores de veinte a\u00f1os.<\/p>\n Hasta ahora, los modelos de IA dise\u00f1ados para resolver problemas matem\u00e1ticos no han funcionado muy bien, teniendo como m\u00e1ximo s\u00f3lo un 50% de respuestas correctas. En los \u00faltimos meses, los equipos de DeepMind han conseguido superar esta barrera que parec\u00eda insuperable. De hecho, un grupo de investigadores desarroll\u00f3 una herramienta que respondi\u00f3 correctamente a veinticinco de los treinta problemas propuestos durante la Olimpiada Internacional de Matem\u00e1ticas, un campeonato que re\u00fane a los mejores estudiantes de secundaria de todo el mundo.<\/p>\n Si AlphaGeometry hubiera participado en el concurso y hubiera respondido a tantas preguntas, ser\u00eda uno del 8% de los candidatos que obtendr\u00edan la medalla de oro, el santo grial de estas Olimp\u00edadas, lo que constituye una actuaci\u00f3n significativa. El funcionamiento de este modelo fue explicado en la revisi\u00f3n. Naturaleza<\/em> por los investigadores que lo desarrollaron.<\/p>\n La IA desarrollada por DeepMind no es un simple modelo de aprendizaje autom\u00e1tico o aprendizaje profundo, basado en una red neuronal artificial. La base de datos de demostraciones geom\u00e9tricas no es lo suficientemente extensa ni precisa para constituir un conjunto suficiente para el entrenamiento de dicha herramienta. Sin embargo, estos datos siguen siendo necesarios para que el modelo comprenda los fundamentos de la geometr\u00eda.<\/p>\n As\u00ed, la soluci\u00f3n desarrollada por DeepMind tambi\u00e9n aprovecha un \u201c cerebro simb\u00f3lico<\/em> “. Los investigadores tienen \u201c hecho<\/em> \u00bb datos, apoy\u00e1ndose en figuras geom\u00e9tricas cl\u00e1sicas a las que somet\u00edan transformaciones matem\u00e1ticas de todo tipo. As\u00ed, pudieron construir una base de 100 millones de ejemplos geom\u00e9tricos que luego utilizaron para perfeccionar el entrenamiento de su modelo. Dado que combina dos cerebros, se dice que AlphaGeometry es un modelo neurosimb\u00f3lico.<\/p>\n Cuando los cient\u00edficos de DeepMind le presentaron los treinta problemas de geometr\u00eda de la Olimpiada, la herramienta solo necesit\u00f3 su cerebro simb\u00f3lico para responder catorce de ellos. Para encontrar la soluci\u00f3n a nueve problemas adicionales, el segundo cerebro de AlphaGeometry, el construido mediante pruebas matem\u00e1ticas, se activ\u00f3 para ofrecer un mayor campo de posibilidades geom\u00e9tricas.<\/p>\n Pese a todo, el modelo de DeepMind lleg\u00f3 a sus l\u00edmites al tropezar con cinco enigmas, incluido el de los c\u00edrculos que se cruzan resuelto en 1979 por el matem\u00e1tico vietnamita Le Ba Khanh Trinh, que le vali\u00f3 la medalla de oro y un premio especial. Seg\u00fan la comunidad cient\u00edfica, si bien el desarrollo de una herramienta de este tipo constituye un avance sin precedentes, los investigadores est\u00e1n muy lejos de haber desarrollado una IA capaz de vencer a los mejores matem\u00e1ticos.<\/p>\n<\/div>\nDeepMind da un paso m\u00e1s hacia un modelo \u201cinvencible\u201d en matem\u00e1ticas<\/h2>\n