Imagina una inteligencia artificial tan buena en matemáticas que puede resolver problemas de geometría mejor que los mejores estudiantes del mundo. Pues eso es exactamente lo que DeepMind, el laboratorio de investigación en IA de Google, ha anunciado recientemente.
Su sistema, llamado AlphaGeometry2, superó el promedio de los medallistas de oro de la Olimpiada Internacional de Matemáticas (IMO), una competencia famosa por desafiar a jóvenes talentos con preguntas extremadamente complejas.
Pero, ¿qué significa esto para el futuro de la tecnología?
AlphaGeometry2 es una versión mejorada de un sistema anterior, AlphaGeometry, lanzado a principios de 2024. Fue entrenado para resolver problemas de geometría, especialmente del tipo euclidiano, que involucran figuras como triángulos, círculos y líneas.
Según los investigadores, esta IA logró resolver el 84% de los problemas de geometría propuestos en la IMO en los últimos 25 años. Para alcanzar este nivel, DeepMind creó sus propios datos de entrenamiento, generando más de 300 millones de teoremas y pruebas matemáticas. Esto fue necesario porque no había datos suficientes disponibles para enseñar a la máquina.
Pero, ¿cómo funciona AlphaGeometry2? Combina dos tecnologías: un modelo de lenguaje (de la familia Gemini, también de Google) y un «motor simbólico», que utiliza reglas matemáticas para llegar a las soluciones.
El modelo de lenguaje sugiere «pistas» para resolver el problema, como agregar puntos o líneas al diagrama, mientras que el motor simbólico verifica si estas sugerencias tienen sentido matemáticamente.
Juntos, forman una dupla poderosa que explora varias soluciones al mismo tiempo, almacenando los descubrimientos en una especie de «banco de conocimientos».
A pesar del éxito, el sistema aún tiene limitaciones. No puede resolver problemas con ecuaciones no lineales, desigualdades o un número variable de puntos.
Además, en una prueba con problemas más difíciles, propuestos por expertos pero nunca usados en competencias, AlphaGeometry2 solo acertó 20 de 29 preguntas.
Sin embargo, los resultados son impresionantes y muestran que la combinación de redes neuronales (como Gemini) con sistemas basados en reglas (como el motor simbólico) puede ser el camino para crear IA más inteligentes y versátiles.
Este descubrimiento no es importante solo para las matemáticas. La capacidad de resolver problemas complejos con razonamiento lógico puede aplicarse en áreas como la ingeniería, la física y hasta en el desarrollo de tecnologías del futuro.
DeepMind cree que sistemas como AlphaGeometry2 pueden ayudar a crear una IA generalista, es decir, máquinas capaces de aprender y adaptarse a diferentes tareas, al igual que los humanos.
Mientras tanto, el debate continúa: ¿cuál es la mejor manera de construir IA? ¿Usando redes neuronales, que aprenden con datos, o sistemas simbólicos, que siguen reglas predefinidas?
AlphaGeometry2 sugiere que la respuesta puede estar en la combinación de ambos enfoques.
