O Automated Mathematician (AM) é um dos primeiros sistemas de descoberta bem-sucedidos em inteligência artificial. Criado por Douglas Lenat em 1977, foi projetado para explorar e gerar conceitos matemáticos de forma autônoma, manipulando programas curtos em Lisp. AM recebeu o Prêmio IJCAI Computers and Thought em 1977, reconhecendo sua importância no campo da inteligência artificial e do raciocínio automatizado.
AM operava gerando e modificando programas curtos em Lisp, que eram então interpretados como definindo vários conceitos matemáticos. Por exemplo, um programa que testava a igualdade entre o comprimento de duas listas era considerado como representando o conceito de igualdade numérica, enquanto um programa que produzia uma lista cujo comprimento era o produto dos comprimentos de duas outras listas era interpretado como representando o conceito de multiplicação. O sistema empregava heurísticas elaboradas para selecionar quais programas estender e modificar, com base nas experiências de matemáticos profissionais na resolução de problemas.
Arquitetura e Fluxo de Controle
Lenat descreveu AM como composto por centenas de estruturas de dados chamadas "conceitos", juntamente com centenas de "regras heurísticas" e um fluxo de controle simples. Ele afirmou: "AM seleciona repetidamente a tarefa principal da agenda e tenta executá-la. Essa é toda a estrutura de controle!" O sistema mantinha uma agenda de tarefas, cada uma associada a uma prioridade, e selecionava iterativamente a tarefa de maior prioridade para executar. Essa abordagem permitia que AM concentrasse seus recursos computacionais nos caminhos de exploração mais promissores.
As regras heurísticas guiavam o sistema na decisão de quais conceitos estender, mesclar ou modificar. Elas codificavam conhecimento de domínio sobre a prática matemática, como reconhecer analogias entre conceitos ou identificar padrões interessantes. A estrutura de controle baseada em agenda foi um precursor de técnicas posteriores de planejamento e busca em aprendizado de máquina e raciocínio automatizado.
Alegações de Descoberta e Controvérsia
Lenat afirmou que AM havia redescoberto tanto a conjectura de Goldbach quanto o teorema fundamental da aritmética. No entanto, críticos posteriores acusaram Lenat de superinterpretar a saída de AM. As regras heurísticas nem sempre eram representadas como estruturas de dados separadas; algumas tinham que estar entrelaçadas com a lógica do fluxo de controle. Algumas regras tinham pré-condições que dependiam do histórico, ou não podiam ser representadas na estrutura das regras explícitas.
Versões publicadas das regras frequentemente envolviam termos vagos que não eram definidos posteriormente, como "Se duas expressões são estruturalmente semelhantes, ..." (Regra 218) ou "... substitua o valor obtido por algum outro valor (muito semelhante)..." (Regra 129). Outra fonte de informação era o usuário, por meio da Regra 2: "Se o usuário se referiu recentemente a X, então aumente a prioridade de quaisquer tarefas envolvendo X." Isso sugeria que grande parte do trabalho real de descoberta poderia estar enterrada em procedimentos não explicados ou interações com o usuário.
Em seu artigo "Why AM and Eurisko appear to work", Lenat concedeu que qualquer sistema que gerasse programas curtos suficientes em Lisp geraria aqueles que poderiam ser interpretados por um observador externo como representando conceitos matemáticos igualmente sofisticados. No entanto, ele argumentou que essa propriedade era em si interessante - e que uma direção promissora para pesquisas futuras seria procurar outras linguagens em que strings aleatórias curtas fossem provavelmente úteis.
Sucessor: Eurisko
Essa intuição foi a base do sucessor de AM, Eurisko, que tentou generalizar a busca por conceitos matemáticos para a busca por heurísticas úteis. Eurisko estendeu a abordagem de AM não apenas descobrindo conceitos matemáticos, mas também descobrindo e refinando as próprias heurísticas, permitindo que o sistema melhorasse suas estratégias de busca ao longo do tempo. Isso representou um passo inicial em direção ao meta-aprendizado e a sistemas de IA auto-melhoráveis.
Legado e Influência
O legado de AM se estende além de seus resultados imediatos. Ele influenciou trabalhos subsequentes em descoberta automatizada, incluindo sistemas como HR e Graffiti, que são programas relacionados de descoberta matemática. As questões que AM levantou sobre a natureza da criatividade, o papel das heurísticas e a interpretação da saída de IA permanecem relevantes na pesquisa moderna de IA generativa. A abordagem de AM de representar conhecimento como programas executáveis antecipou desenvolvimentos posteriores em redes neurais e síntese de programas, onde modelos geram código ou expressões matemáticas.
Apesar de suas controvérsias, AM demonstrou que computadores poderiam explorar espaços matemáticos de maneiras que surpreendiam seus criadores, e destacou a importância da interpretação cuidadosa na avaliação de descobertas de IA. O foco do sistema em heurísticas e controle baseado em agenda influenciou trabalhos posteriores em planejamento e busca automatizados, e sua ênfase na interação com o usuário prenunciou abordagens de aprendizado de máquina interativo.
Ver Também
- Prova automatizada de teoremas
- Matemática simbólica
- Matemática experimental