陶哲軒採用大型模型的證明助手Lean,展現其偏好
「我預計,如果使用得當,到 2026 年,AI 將成為數學研究和許多其他領域值得信賴的合著者。」數學家陶哲軒在之前的一篇部落格中說道。
陶哲軒這樣說了,也這麼做了。
他最近一直在用 GPT-4、Copilot、Lean 等工具進行數學研究,並且還在 AI 的幫助下發現了自己論文中的一處隱藏 bug。
最近,陶哲軒表示Lean4計畫已經成功完成了多項式Freiman-Ruzsa 猜想(PFR)的證明的形式化,僅耗時三週。同時,Lean編譯器也報告該猜想符合標準公理。這是電腦和AI輔助證明的一項巨大成功,令人振奮
#關於上述研究的更多內容,有興趣的讀者可以參考《陶哲軒用AI 形式化的證明究竟是什麼?一文看懂 PFR 猜想的前世今生》。
看到這,細心的讀者可能已經發現了端倪,陶大神在進行數學研究時,多次都提到過 Lean。簡單來講,Lean 是一種可幫助數學家驗證定理的程式語言,使用者可以在其中編寫和驗證證明。相較於初代 Lean,現在最新的 Lean 4 版本進行了多項最佳化,包括更快的編譯器、改進的錯誤處理和更好的與外部工具整合的能力等。
在數學領域被廣泛使用的 Lean,在大模型(LLM)刷屏的今天,兩者有沒有更好的結合方式呢?
現在已經有人實現了,開放平台LeanDojo 團隊(關於LeanDojo,可參考「AI 大模型幫陶哲軒解題,還能證明數學定理了?」)和加州理工學院的研究者推出了Lean Copilot,這是一款專為LLM 與人類互動而設計的協作工具,旨在透過人機協作給出100% 準確的形式化數學證明。
值得注意的是,LeanDojo 團隊的研究主要集中在使用LLM 自動化定理證明方面,從這點也不難看出,他們推出的Lean Copilot 和LLM 相關也不會令人吃驚。
專案地址:https://github.com/lean-dojo/LeanCopilot
對於這項研究,大家除了說Cool,就是very cool,評價還是很高的。
在Lean 中使用LLM,加快數學證明速度
一直以來,自動化定理證明面臨重重困難,傳統上,數學證明依賴手工推導,需要細緻的驗證。現在隨著 AI 的進步,研究者開始借助人工智慧進行深入探索,但又免不了出現這種問題,即 LLM 在數學和推理任務中有時不是很可靠,容易出現錯誤和幻覺。
Lean Copilot的功能是讓使用者可以在Lean中利用大型語言模型自動化證明流程,提高證明合成的速度。當需要時,使用者還可以無縫地介入和修改,實現機器智能和人類智慧之間的平衡協作
使用Lean Copilot可以在Lean中使用LLM來實現證明自動化,包括策略建議、前提和搜尋證明
使用者可以選擇使用LeanDojo提供的內建模型,或匯入自己的模型。這些模型可以在本地運行(無論是否有GPU),或者在雲端運行
#簡而言之,Lean Copilot 為用戶提供了一個靈活的方式,透過引入LLM 來增強和優化在Lean 中進行定理證明的過程。
Lean Copilot 的主要特點可總結為:
#- LLM 能夠提出證明步驟,搜尋證明,並從大型數學庫中選擇有用的引理。
- Lean Copilot 可作為 Lean 套件進行設置,並且能夠在 Lean 的 VS Code 工作流程中無縫地運行。
- 使用者可以使用 LeanDojo 中的內建模型,或使用自己的模型,這些模型可以在本地(有或沒有 GPU)或雲端運行。
- 該工具可在各種平台上運行,包括 Linux、macOS 和 Windows WSL。
為了讓LLM 更易於Lean 使用者使用,Lean Copilot 希望能夠啟動一個正向回饋循環:證明自動化將帶來更好的數據,並最終提高LLM 在數學上的性能。
Copilot的效果示範
#大家可以依照官方教學來設定Lean Copilot,配置完成之後就可以開始實驗了。專案的作者也提供了一些官方範例供參考
#推薦方案。匯入LeanCopilot後,您可以使用suggest_tactics產生推薦方案。在使用過程中,您也可以點擊推薦方案,並在證明中使用它(參考下圖)
#你可以使用前綴,例如simp,來限制生成的策略
搜尋證明。使用search_proof將LLM產生的策略與aesop(Lean 4的白盒自動化專案)結合起來,以搜尋多個策略證明。找到證明後,您可以單擊該策略將其插入編輯器中
#重寫後的內容:選擇前提是一項重要策略。該策略的目的是檢索一份潛在有用前提的清單。目前,Lean Copilot會利用LeanDojo中的檢索工具,從Lean和mathlib4(即Lean 4數學庫)的固定快照中選擇前提
#您可以執行LLM。無論是定理證明還是其他推理,都可以在Lean中運行LLM。您可以在本機或遠端執行任何模型(請參閱自帶模型)
#專案中也提到了一些進階用法,有興趣的讀者,可以去原項目了解更多內容。
以上是陶哲軒採用大型模型的證明助手Lean,展現其偏好的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

0.這篇文章乾了啥?提出了DepthFM:一個多功能且快速的最先進的生成式單目深度估計模型。除了傳統的深度估計任務外,DepthFM還展示了在深度修復等下游任務中的最先進能力。 DepthFM效率高,可以在少數推理步驟內合成深度圖。以下一起來閱讀這項工作~1.論文資訊標題:DepthFM:FastMonocularDepthEstimationwithFlowMatching作者:MingGui,JohannesS.Fischer,UlrichPrestel,PingchuanMa,Dmytr

想像一下,一個人工智慧模型,不僅擁有超越傳統運算的能力,還能以更低的成本實現更有效率的效能。這不是科幻,DeepSeek-V2[1],全球最強開源MoE模型來了。 DeepSeek-V2是一個強大的專家混合(MoE)語言模型,具有訓練經濟、推理高效的特點。它由236B個參數組成,其中21B個參數用於啟動每個標記。與DeepSeek67B相比,DeepSeek-V2效能更強,同時節省了42.5%的訓練成本,減少了93.3%的KV緩存,最大生成吞吐量提高到5.76倍。 DeepSeek是一家探索通用人工智

AI,的確正在改變數學。最近,一直十分關注這個議題的陶哲軒,轉發了最近一期的《美國數學學會通報》(BulletinoftheAmericanMathematicalSociety)。圍繞著「機器會改變數學嗎?」這個話題,許多數學家發表了自己的觀點,全程火花四射,內容硬核,精彩紛呈。作者陣容強大,包括菲爾茲獎得主AkshayVenkatesh、華裔數學家鄭樂雋、紐大電腦科學家ErnestDavis等多位業界知名學者。 AI的世界已經發生了天翻地覆的變化,要知道,其中許多文章是在一年前提交的,而在這一

本月初,來自MIT等機構的研究者提出了一種非常有潛力的MLP替代方法—KAN。 KAN在準確性和可解釋性方面表現優於MLP。而且它能以非常少的參數量勝過以更大參數量運行的MLP。例如,作者表示,他們用KAN以更小的網路和更高的自動化程度重現了DeepMind的結果。具體來說,DeepMind的MLP有大約300,000個參數,而KAN只有約200個參數。 KAN與MLP一樣具有強大的數學基礎,MLP基於通用逼近定理,而KAN基於Kolmogorov-Arnold表示定理。如下圖所示,KAN在邊上具

波士頓動力Atlas,正式進入電動機器人時代!昨天,液壓Atlas剛「含淚」退出歷史舞台,今天波士頓動力就宣布:電動Atlas上崗。看來,在商用人形機器人領域,波士頓動力是下定決心要跟特斯拉硬剛一把了。新影片放出後,短短十幾小時內,就已經有一百多萬觀看。舊人離去,新角色登場,這是歷史的必然。毫無疑問,今年是人形機器人的爆發年。網友銳評:機器人的進步,讓今年看起來像人類的開幕式動作、自由度遠超人類,但這真不是恐怖片?影片一開始,Atlas平靜地躺在地上,看起來應該是仰面朝天。接下來,讓人驚掉下巴

特斯拉機器人Optimus最新影片出爐,已經可以在工廠裡打工了。正常速度下,它分揀電池(特斯拉的4680電池)是這樣的:官方還放出了20倍速下的樣子——在小小的「工位」上,揀啊揀啊揀:這次放出的影片亮點之一在於Optimus在廠子裡完成這項工作,是完全自主的,全程沒有人為的干預。而且在Optimus的視角之下,它還可以把放歪了的電池重新撿起來放置,主打一個自動糾錯:對於Optimus的手,英偉達科學家JimFan給出了高度的評價:Optimus的手是全球五指機器人裡最靈巧的之一。它的手不僅有觸覺

目標偵測在自動駕駛系統當中是一個比較成熟的問題,其中行人偵測是最早得以部署演算法之一。在多數論文當中已經進行了非常全面的研究。然而,利用魚眼相機進行環視的距離感知相對來說研究較少。由於徑向畸變大,標準的邊界框表示在魚眼相機當中很難實施。為了緩解上述描述,我們探索了擴展邊界框、橢圓、通用多邊形設計為極座標/角度表示,並定義一個實例分割mIOU度量來分析這些表示。所提出的具有多邊形形狀的模型fisheyeDetNet優於其他模型,並同時在用於自動駕駛的Valeo魚眼相機資料集上實現了49.5%的mAP

什麼?瘋狂動物城被國產AI搬進現實了?與影片一同曝光的,是一款名為「可靈」全新國產影片生成大模型。 Sora利用了相似的技術路線,結合多項自研技術創新,生產的影片不僅運動幅度大且合理,還能模擬物理世界特性,具備強大的概念組合能力與想像。數據上看,可靈支持生成長達2分鐘的30fps的超長視頻,分辨率高達1080p,且支援多種寬高比。另外再劃個重點,可靈不是實驗室放出的Demo或影片結果演示,而是短影片領域頭部玩家快手推出的產品級應用。而且主打一個務實,不開空頭支票、發布即上線,可靈大模型已在快影
