Der Automated Mathematician (AM) ist eines der frühesten erfolgreichen Entdeckungssysteme in der künstlichen Intelligenz. Es wurde 1977 von Douglas Lenat entwickelt und war darauf ausgelegt, mathematische Konzepte autonom zu erforschen und zu generieren, indem es kurze Lisp-Programme manipuliert. AM wurde 1977 mit dem IJCAI Computers and Thought Award ausgezeichnet, was seine Bedeutung auf dem Gebiet der künstlichen Intelligenz und des automatisierten Schließens anerkannte.
AM arbeitete, indem es kurze Lisp-Programme generierte und modifizierte, die dann als Definition verschiedener mathematischer Konzepte interpretiert wurden. Beispielsweise galt ein Programm, das die Gleichheit zwischen der Länge zweier Listen testete, als Darstellung des Konzepts der numerischen Gleichheit, während ein Programm, das eine Liste erzeugte, deren Länge das Produkt der Längen zweier anderer Listen war, als Darstellung des Konzepts der Multiplikation interpretiert wurde. Das System verwendete aufwendige Heuristiken zur Auswahl, welche Programme erweitert und modifiziert werden sollten, basierend auf den Erfahrungen arbeitender Mathematiker bei der Lösung von Problemen.
Architektur und Kontrollfluss
Lenat beschrieb AM als aus Hunderten von Datenstrukturen, sogenannten „Konzepten“, zusammen mit Hunderten von „heuristischen Regeln“ und einem einfachen Kontrollfluss bestehend. Er erklärte: „AM wählt wiederholt die oberste Aufgabe von der Agenda aus und versucht, sie auszuführen. Das ist die gesamte Kontrollstruktur!“ Das System führte eine Agenda von Aufgaben, jeweils mit einer Priorität verbunden, und wählte iterativ die Aufgabe mit der höchsten Priorität zur Ausführung aus. Dieser Ansatz ermöglichte es AM, seine Rechenressourcen auf die vielversprechendsten Erkundungswege zu konzentrieren.
Die heuristischen Regeln leiteten das System bei der Entscheidung, welche Konzepte erweitert, zusammengeführt oder modifiziert werden sollten. Sie kodierten Domänenwissen über mathematische Praxis, wie das Erkennen von Analogien zwischen Konzepten oder das Identifizieren interessanter Muster. Die agenda-basierte Kontrollstruktur war ein Vorläufer späterer Planungs- und Suchtechniken im maschinellen Lernen und im automatisierten Schließen.
Entdeckungsansprüche und Kontroverse
Lenat behauptete, dass AM sowohl die Goldbachsche Vermutung als auch den Fundamentalsatz der Arithmetik wiederentdeckt hatte. Spätere Kritiker warfen Lenat jedoch vor, die Ausgabe von AM überinterpretiert zu haben. Die heuristischen Regeln waren nicht immer als separate Datenstrukturen dargestellt; einige mussten mit der Kontrollflusslogik verwoben sein. Einige Regeln hatten Vorbedingungen, die von der Historie abhingen oder anderweitig nicht im Rahmen der expliziten Regeln dargestellt werden konnten.
Veröffentlichte Versionen der Regeln enthielten oft vage Begriffe, die nicht weiter definiert wurden, wie „Wenn zwei Ausdrücke strukturell ähnlich sind, ...“ (Regel 218) oder „... ersetze den erhaltenen Wert durch einen anderen (sehr ähnlichen) Wert ...“ (Regel 129). Eine weitere Informationsquelle war der Benutzer, über Regel 2: „Wenn der Benutzer kürzlich auf X verwiesen hat, dann erhöhe die Priorität aller Aufgaben, die X betreffen.“ Dies deutete darauf hin, dass ein Großteil der tatsächlichen Entdeckungsarbeit in unerklärten Verfahren oder Benutzerinteraktionen verborgen gewesen sein könnte.
In seinem Artikel „Why AM and Eurisko appear to work“ räumte Lenat ein, dass jedes System, das genügend kurze Lisp-Programme generierte, solche erzeugen würde, die von einem externen Beobachter als Darstellung gleich anspruchsvoller mathematischer Konzepte interpretiert werden könnten. Er argumentierte jedoch, dass diese Eigenschaft an sich interessant sei - und dass eine vielversprechende Richtung für weitere Forschung darin bestehe, nach anderen Sprachen zu suchen, in denen kurze zufällige Zeichenfolgen wahrscheinlich nützlich seien.
Nachfolger: Eurisko
Diese Intuition war die Grundlage für AMs Nachfolger Eurisko, der versuchte, die Suche nach mathematischen Konzepten auf die Suche nach nützlichen Heuristiken zu verallgemeinern. Eurisko erweiterte AMs Ansatz, indem er nicht nur mathematische Konzepte entdeckte, sondern auch die Heuristiken selbst entdeckte und verfeinerte, was es dem System ermöglichte, seine eigenen Suchstrategien im Laufe der Zeit zu verbessern. Dies stellte einen frühen Schritt in Richtung Meta-Lernen und selbstverbessernder KI-Systeme dar.
Vermächtnis und Einfluss
AMs Vermächtnis reicht über seine unmittelbaren Ergebnisse hinaus. Es beeinflusste spätere Arbeiten im automatisierten Entdecken, einschließlich Systemen wie HR und Graffiti, die verwandte Mathematik-Entdeckungsprogramme sind. Die Fragen, die AM über die Natur der Kreativität, die Rolle von Heuristiken und die Interpretation von KI-Ausgaben aufwarf, bleiben in der modernen generativen KI-Forschung relevant. AMs Ansatz, Wissen als ausführbare Programme darzustellen, nahm spätere Entwicklungen in neuronalen Netzen und der Programmsynthese vorweg, bei denen Modelle Code oder mathematische Ausdrücke generieren.
Trotz seiner Kontroversen zeigte AM, dass Computer mathematische Räume auf Weisen erkunden konnten, die ihre Schöpfer überraschten, und es hob die Bedeutung sorgfältiger Interpretation bei der Bewertung von KI-Entdeckungen hervor. Der Fokus des Systems auf Heuristiken und agenda-basierte Kontrolle beeinflusste spätere Arbeiten in der automatisierten Planung und Suche, und seine Betonung der Benutzerinteraktion deutete auf interaktive Ansätze des maschinellen Lernens hin.
Siehe auch
- Automatisiertes Beweisen
- Symbolische Mathematik
- Experimentelle Mathematik