我說兩種語言，英語和英語不好。我對數(shù)學(xué)的理解差很多。實際上，為了畢業(yè)，我不得不在大學(xué)里四次重做微積分2A以便畢業(yè)，主要是因為我永遠無法正確計算出從墻壁上掉下來的梯子的加速度。您知道，這種理論難題對我們的日常生活至關(guān)重要。

除了我的數(shù)字慣性之外，F(xiàn)acebook還訓(xùn)練了一種AI來解決最棘手的數(shù)學(xué)問題。真正的超弦樂器。實際上，F(xiàn)B教他們的神經(jīng)網(wǎng)絡(luò)將復(fù)雜的數(shù)學(xué)方程式視為“一種語言，然后將[解決方案]作為序列到序列神經(jīng)網(wǎng)絡(luò)的翻譯問題”。

這實際上是一項壯舉，因為大多數(shù)神經(jīng)網(wǎng)絡(luò)都在一個近似系統(tǒng)上運行：它們可以確定圖像是狗，小猿還是蒸汽散熱器的圖像，并且具有一定的確定性，但可以精確計算出像b這樣的符號性問題中的數(shù)字-4ac = 7是完全不同的魚鍋。Facebook通過不將方程式視為數(shù)學(xué)問題，而是將其視為語言問題來進行管理。具體來說，研究小組使用神經(jīng)機器翻譯(NMT)解決了這個問題。簡而言之，他們教AI講數(shù)學(xué)。結(jié)果是該系統(tǒng)能夠解決方程式，而所需時間僅是基于代數(shù)的系統(tǒng)(如Maple，Mathematica和Matlab)所用的一小部分。

研究小組在博客中寫道：“通過訓(xùn)練模型以檢測符號方程式中的模式，我們相信神經(jīng)網(wǎng)絡(luò)可以將導(dǎo)致其解決方案的線索拼湊起來，大致類似于人類對復(fù)雜問題的基于直覺的方法。”今天發(fā)布的帖子。“因此，我們開始將符號推理作為NMT問題進行探索，在該模型中，模型可以根據(jù)問題示例及其匹配的解決方案來預(yù)測可能的解決方案。”

從本質(zhì)上講，研究團隊教會了AI如何解開數(shù)學(xué)方程式，就像我們對復(fù)雜短語所做的一樣，如下例所示。該系統(tǒng)沒有拆分動詞，名詞和形容詞，而是使各個單獨的變量成為孤島。