如今，流行科学甚至娱乐媒体都充斥着有关AI项目成功的新闻。 人工智能要么打败一个忙碌的人，要么学会玩《星际争霸》，并在与知名冠军的战斗中胜出。 这只是成就的一小部分，实际上还有很多。 一个普通人（在某种意义上，与IT领域无关）可能会认为一种真正的“大”人工智能将要出现，我将为此写科幻小说并拍摄电影。
但是一切都不是那么乐观。 例如，前几天有信息表明AI试图通过高等数学考试（学校考试，英国标准），但未能通过。
原则上，可以很容易地解释故障原因。 因此，一个人在解决数学问题时涉及以下能力。
它从本质上自己修改了符号，例如数字，算术运算符，变量（构成复数形式的函数）和单词（定义问题，任务的含义等）。
- 计划（例如，按解决数学问题的必要顺序对功能进行排序）。
- 使用辅助算法来组成函数（加法，乘法）。
- 使用短期内存来存储中间值（例如h（f（x）））。
- 在实践中获得了有关规则，转换，过程和公理的知识。
DeepMind在选择不同类型的数学问题和问题上经过培训和测试。 开发人员没有使用众包；相反，他们合成了一个数据集以生成大量测试任务，控制其复杂性等。 开发团队使用了“自由格式”文本数据格式。
初始数据基于为英国学校（16岁以下）的学生选择的作业中的任务。 这些任务是从算术，代数，概率论等方向进行的。
DeepMind团队选择了用于解决数学问题的神经网络架构，决定采用LSTM（
长期短期记忆 ）和
Transformer （用于处理序列的神经网络架构）。
DeepMind测试了两个用于解决数学问题的LSTM模型：一个简单的LSTM和一个注意LSTM，其操作方案如下图所示。
下面是Transformer模型的示意图。
结果不是很好。 只有35％的AI答案是正确的，根据任何学校的标准，这都是不令人满意的评估。
当然，来自DeepMind的研究人员才刚刚开始从事数学和AI的研究。 将来，与相同的AlphaGo一样，可以期待更大的成功。
完整的研究数据可以在
此链接上找到。
