


Terence Tao nutzt den groß angelegten Modellbeweisassistenten Lean, um seine Vorliebe zu zeigen
„Ich gehe davon aus, dass KI bei richtiger Anwendung bis 2026 zu einem vertrauenswürdigen Co-Autor in der mathematischen Forschung und vielen anderen Bereichen werden wird“, sagte der Mathematiker Terence Tao in einem früheren Blog.
Tao Zhexuan hat das gesagt und es getan.
Er hat kürzlich mathematische Forschungen mit Tools wie GPT-4, Copilot und Lean durchgeführt und mithilfe von KI auch einen versteckten Fehler in seiner Arbeit entdeckt.
Kürzlich sagte Terence Tao, dass das Lean4-Projekt die Formalisierung des Beweises der Polynom-Freiman-Ruzsa-Vermutung (PFR) erfolgreich abgeschlossen hat, was nur drei Wochen gedauert hat. Gleichzeitig meldet der Lean-Compiler auch, dass die Vermutung den Standardaxiomen entspricht. Dies ist ein großer Erfolg des computer- und KI-gestützten Beweises und es ist aufregend
Weitere Informationen zu der oben genannten Forschung finden interessierte Leser unter „Was ist Tao Zhexuans formaler Beweis mit KI?“ Verstehen Sie die Vergangenheit und Gegenwart der PFR-Vermutung in einem Artikel.
Aufmerksame Leser haben den Hinweis vielleicht schon oft entdeckt, als Meister Tao Lean bei mathematischen Forschungen erwähnte. Einfach ausgedrückt ist Lean eine Programmiersprache, die Mathematikern bei der Überprüfung von Theoremen hilft, wobei Benutzer Beweise schreiben und überprüfen können. Im Vergleich zum ursprünglichen Lean verfügt die neueste Lean 4-Version über zahlreiche Optimierungen, darunter einen schnelleren Compiler, eine verbesserte Fehlerbehandlung und eine bessere Integration mit externen Tools.
Lean ist im Bereich der Mathematik weit verbreitet. Gibt es heute, wo große Modelle (LLM) beliebt sind, eine bessere Möglichkeit, beides zu kombinieren?
Jemand hat es bereits implementiert. Das LeanDojo-Team der offenen Plattform (siehe „Das große KI-Modell hilft Tao Zhexuan, Probleme zu lösen, kann es auch mathematische Theoreme beweisen? “) und die Forschung vom California Institute of Technology Der Autor brachte Lean Copilot auf den Markt, ein Kollaborationstool, das für LLM und menschliche Interaktion entwickelt wurde und darauf abzielt, durch Mensch-Maschine-Zusammenarbeit 100 % genaue formale mathematische Beweise zu liefern.
Es ist erwähnenswert, dass sich die Forschung des LeanDojo-Teams hauptsächlich auf die Verwendung von LLM zur Automatisierung des Theoremnachweises konzentriert. Von diesem Punkt an ist es nicht schwer zu erkennen, dass der von ihnen eingeführte Lean Copilot mit LLM zusammenhängt sei überraschend.
Projektadresse: https://github.com/lean-dojo/LeanCopilot
Für diese Forschung bedeutet es nicht nur cool, sondern auch sehr cool, und die Bewertung ist immer noch sehr hoch.
Verwenden Sie LLM in Lean, um den mathematischen Beweis zu beschleunigen.
Der automatisierte Theorembeweis war traditionell immer mit vielen Schwierigkeiten verbunden und erforderte eine sorgfältige Überprüfung. Mit der Weiterentwicklung der KI haben Forscher nun damit begonnen, künstliche Intelligenz für eingehende Untersuchungen zu nutzen, aber dieses Problem ist unvermeidlich, das heißt, LLM ist bei Mathematik- und Denkaufgaben manchmal nicht sehr zuverlässig und anfällig für Fehler und Halluzinationen.
Die Funktion von Lean Copilot besteht darin, Benutzern die Verwendung großer Sprachmodelle zu ermöglichen, um den Beweisprozess in Lean zu automatisieren und die Geschwindigkeit der Beweissynthese zu erhöhen. Benutzer können bei Bedarf auch nahtlos eingreifen und Änderungen vornehmen, um eine ausgewogene Zusammenarbeit zwischen maschineller Intelligenz und menschlicher Intelligenz zu erreichen Benutzer können wählen, ob sie die integrierten Modelle von LeanDojo verwenden oder ihre eigenen Modelle importieren möchten. Diese Modelle können lokal (mit oder ohne GPU) oder in der Cloud ausgeführt werden
Kurz gesagt: Lean Copilot bietet Benutzern eine flexible Möglichkeit, die Theorembeweisführung in Lean durch die Einführung von LLM zu verbessern und zu optimieren.
Die Hauptfunktionen von Lean Copilot lassen sich wie folgt zusammenfassen:
- LLM ist in der Lage, Beweisschritte vorzuschlagen, nach Beweisen zu suchen und nützliche Lemmata aus einer großen mathematischen Bibliothek auszuwählen.
- Lean Copilot kann als Lean-Paket eingerichtet werden und läuft nahtlos im VS-Code-Workflow von Lean.
- Benutzer können die integrierten Modelle in LeanDojo verwenden oder ihre eigenen Modelle verwenden, die lokal (mit oder ohne GPU) oder in der Cloud ausgeführt werden können.
- Dieses Tool läuft auf verschiedenen Plattformen, einschließlich Linux, macOS und Windows WSL.
Um LLM für Lean-Anwender zugänglicher zu machen, hofft Lean Copilot, eine positive Rückkopplungsschleife in Gang zu setzen und zu beweisen, dass Automatisierung zu besseren Daten führt und letztendlich die mathematische Leistung von LLM verbessert.
Demonstration des Copilot-Effekts
Sie können Lean Copilot gemäß dem offiziellen Tutorial konfigurieren. Nachdem die Konfiguration abgeschlossen ist, können Sie das Experiment starten. Der Autor des Projekts stellt auch einige offizielle Beispiele als Referenz zur Verfügung
empfohlene Lösungen. Nach dem Import von LeanCopilot können Sie suggest_tactics verwenden, um empfohlene Lösungen zu generieren. Während der Verwendung können Sie auch auf die empfohlene Lösung klicken und diese im Beweis verwenden (siehe Bild unten)
Sie können ein Präfix wie simp verwenden, um die generierte Strategie einzuschränken
Nach Beweisen suchen. Verwenden Sie search_proof, um LLM-generierte Richtlinien mit Aesop (dem White-Box-Automatisierungsprojekt von Lean 4) zu kombinieren, um nach mehreren Richtliniennachweisen zu suchen. Sobald Sie den Beweis gefunden haben, können Sie auf die Strategie klicken, um sie in den Editor einzufügen
Neu geschriebener Inhalt: Die Wahl einer Prämisse ist eine wichtige Strategie. Der Zweck dieser Strategie besteht darin, eine Liste potenziell nützlicher Räumlichkeiten abzurufen. Derzeit verwendet Lean Copilot das Suchtool in LeanDojo, um Prämissen aus dem festen Snapshot von Lean und mathlib4 (d. h. der Lean 4-Mathebibliothek) auszuwählen.
Sie können LLM ausführen. Ganz gleich, ob es um die Beweisführung von Theoremen oder andere Argumentationen geht, Sie können LLM in Lean betreiben. Sie können jedes Modell lokal oder remote ausführen (siehe Bring Your Own Model)
Einige fortgeschrittene Verwendungsmöglichkeiten werden auch im Projekt erwähnt, um mehr zu erfahren.
Das obige ist der detaillierte Inhalt vonTerence Tao nutzt den groß angelegten Modellbeweisassistenten Lean, um seine Vorliebe zu zeigen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



0.Was bewirkt dieser Artikel? Wir schlagen DepthFM vor: ein vielseitiges und schnelles generatives monokulares Tiefenschätzungsmodell auf dem neuesten Stand der Technik. Zusätzlich zu herkömmlichen Tiefenschätzungsaufgaben demonstriert DepthFM auch hochmoderne Fähigkeiten bei nachgelagerten Aufgaben wie dem Tiefen-Inpainting. DepthFM ist effizient und kann Tiefenkarten innerhalb weniger Inferenzschritte synthetisieren. Lassen Sie uns diese Arbeit gemeinsam lesen ~ 1. Titel der Papierinformationen: DepthFM: FastMonocularDepthEstimationwithFlowMatching Autor: MingGui, JohannesS.Fischer, UlrichPrestel, PingchuanMa, Dmytr

Stellen Sie sich ein Modell der künstlichen Intelligenz vor, das nicht nur die Fähigkeit besitzt, die traditionelle Datenverarbeitung zu übertreffen, sondern auch eine effizientere Leistung zu geringeren Kosten erzielt. Dies ist keine Science-Fiction, DeepSeek-V2[1], das weltweit leistungsstärkste Open-Source-MoE-Modell, ist da. DeepSeek-V2 ist ein leistungsstarkes MoE-Sprachmodell (Mix of Experts) mit den Merkmalen eines wirtschaftlichen Trainings und einer effizienten Inferenz. Es besteht aus 236B Parametern, von denen 21B zur Aktivierung jedes Markers verwendet werden. Im Vergleich zu DeepSeek67B bietet DeepSeek-V2 eine stärkere Leistung, spart gleichzeitig 42,5 % der Trainingskosten, reduziert den KV-Cache um 93,3 % und erhöht den maximalen Generierungsdurchsatz auf das 5,76-fache. DeepSeek ist ein Unternehmen, das sich mit allgemeiner künstlicher Intelligenz beschäftigt

KI verändert tatsächlich die Mathematik. Vor kurzem hat Tao Zhexuan, der diesem Thema große Aufmerksamkeit gewidmet hat, die neueste Ausgabe des „Bulletin of the American Mathematical Society“ (Bulletin der American Mathematical Society) weitergeleitet. Zum Thema „Werden Maschinen die Mathematik verändern?“ äußerten viele Mathematiker ihre Meinung. Der gesamte Prozess war voller Funken, knallhart und aufregend. Der Autor verfügt über eine starke Besetzung, darunter der Fields-Medaillengewinner Akshay Venkatesh, der chinesische Mathematiker Zheng Lejun, der NYU-Informatiker Ernest Davis und viele andere bekannte Wissenschaftler der Branche. Die Welt der KI hat sich dramatisch verändert. Viele dieser Artikel wurden vor einem Jahr eingereicht.

Anfang dieses Monats schlugen Forscher des MIT und anderer Institutionen eine vielversprechende Alternative zu MLP vor – KAN. KAN übertrifft MLP in Bezug auf Genauigkeit und Interpretierbarkeit. Und es kann MLP, das mit einer größeren Anzahl von Parametern ausgeführt wird, mit einer sehr kleinen Anzahl von Parametern übertreffen. Beispielsweise gaben die Autoren an, dass sie KAN nutzten, um die Ergebnisse von DeepMind mit einem kleineren Netzwerk und einem höheren Automatisierungsgrad zu reproduzieren. Konkret verfügt DeepMinds MLP über etwa 300.000 Parameter, während KAN nur etwa 200 Parameter hat. KAN hat eine starke mathematische Grundlage wie MLP und basiert auf dem universellen Approximationssatz, während KAN auf dem Kolmogorov-Arnold-Darstellungssatz basiert. Wie in der folgenden Abbildung gezeigt, hat KAN

Boston Dynamics Atlas tritt offiziell in die Ära der Elektroroboter ein! Gestern hat sich der hydraulische Atlas einfach „unter Tränen“ von der Bühne der Geschichte zurückgezogen. Heute gab Boston Dynamics bekannt, dass der elektrische Atlas im Einsatz ist. Es scheint, dass Boston Dynamics im Bereich kommerzieller humanoider Roboter entschlossen ist, mit Tesla zu konkurrieren. Nach der Veröffentlichung des neuen Videos wurde es innerhalb von nur zehn Stunden bereits von mehr als einer Million Menschen angesehen. Die alten Leute gehen und neue Rollen entstehen. Das ist eine historische Notwendigkeit. Es besteht kein Zweifel, dass dieses Jahr das explosive Jahr der humanoiden Roboter ist. Netizens kommentierten: Die Weiterentwicklung der Roboter hat dazu geführt, dass die diesjährige Eröffnungsfeier wie Menschen aussieht, und der Freiheitsgrad ist weitaus größer als der von Menschen. Aber ist das wirklich kein Horrorfilm? Zu Beginn des Videos liegt Atlas ruhig auf dem Boden, scheinbar auf dem Rücken. Was folgt, ist atemberaubend

Was? Wird Zootopia durch heimische KI in die Realität umgesetzt? Zusammen mit dem Video wird ein neues groß angelegtes inländisches Videogenerationsmodell namens „Keling“ vorgestellt. Sora geht einen ähnlichen technischen Weg und kombiniert eine Reihe selbst entwickelter technologischer Innovationen, um Videos zu produzieren, die nicht nur große und vernünftige Bewegungen aufweisen, sondern auch die Eigenschaften der physischen Welt simulieren und über starke konzeptionelle Kombinationsfähigkeiten und Vorstellungskraft verfügen. Den Daten zufolge unterstützt Keling die Erstellung ultralanger Videos von bis zu 2 Minuten mit 30 Bildern pro Sekunde, mit Auflösungen von bis zu 1080p und unterstützt mehrere Seitenverhältnisse. Ein weiterer wichtiger Punkt ist, dass es sich bei Keling nicht um eine vom Labor veröffentlichte Demo oder Video-Ergebnisdemonstration handelt, sondern um eine Anwendung auf Produktebene, die von Kuaishou, einem führenden Anbieter im Bereich Kurzvideos, gestartet wurde. Darüber hinaus liegt das Hauptaugenmerk darauf, pragmatisch zu sein, keine Blankoschecks auszustellen und sofort nach der Veröffentlichung online zu gehen. Das große Modell von Ke Ling wurde bereits in Kuaiying veröffentlicht.

Ich weine zu Tode. Die Daten im Internet reichen überhaupt nicht aus. Das Trainingsmodell sieht aus wie „Die Tribute von Panem“, und KI-Forscher auf der ganzen Welt machen sich Gedanken darüber, wie sie diese datenhungrigen Esser ernähren sollen. Dieses Problem tritt insbesondere bei multimodalen Aufgaben auf. Zu einer Zeit, als sie ratlos waren, nutzte ein Start-up-Team der Abteilung der Renmin-Universität von China sein eigenes neues Modell, um als erstes in China einen „modellgenerierten Datenfeed selbst“ in die Realität umzusetzen. Darüber hinaus handelt es sich um einen zweigleisigen Ansatz auf der Verständnisseite und der Generierungsseite. Beide Seiten können hochwertige, multimodale neue Daten generieren und Datenrückmeldungen an das Modell selbst liefern. Was ist ein Modell? Awaker 1.0, ein großes multimodales Modell, das gerade im Zhongguancun-Forum erschienen ist. Wer ist das Team? Sophon-Motor. Gegründet von Gao Yizhao, einem Doktoranden an der Hillhouse School of Artificial Intelligence der Renmin University.

Kürzlich wurde die Militärwelt von der Nachricht überwältigt: US-Militärkampfflugzeuge können jetzt mithilfe von KI vollautomatische Luftkämpfe absolvieren. Ja, erst kürzlich wurde der KI-Kampfjet des US-Militärs zum ersten Mal der Öffentlichkeit zugänglich gemacht und sein Geheimnis gelüftet. Der vollständige Name dieses Jägers lautet „Variable Stability Simulator Test Aircraft“ (VISTA). Er wurde vom Minister der US-Luftwaffe persönlich geflogen, um einen Eins-gegen-eins-Luftkampf zu simulieren. Am 2. Mai startete US-Luftwaffenminister Frank Kendall mit einer X-62AVISTA auf der Edwards Air Force Base. Beachten Sie, dass während des einstündigen Fluges alle Flugaktionen autonom von der KI durchgeführt wurden! Kendall sagte: „In den letzten Jahrzehnten haben wir über das unbegrenzte Potenzial des autonomen Luft-Luft-Kampfes nachgedacht, aber es schien immer unerreichbar.“ Nun jedoch,
