In questo articolo spieghiamo sostanzialmente come gli strumenti di intelligenza artificiale (AI) risolvono i problemi di matematica.
Cosa fanno effettivamente gli strumenti di intelligenza artificiale con i numeri
La maggior parte delle persone ritiene che gli strumenti di intelligenza artificiale (AI) comprendano i numeri allo stesso modo degli esseri umani. Non lo fanno. Gli strumenti di intelligenza artificiale elaborano i problemi di matematica come sequenze di token di testo. Un token è una piccola unità di testo: una parola, un simbolo o parte di una parola. Quando un utente digita “Che cos’è 48 × 73?”, uno strumento di intelligenza artificiale legge questa domanda come una serie di token e prevede la risposta statisticamente più probabile sulla base dei modelli appresi dai dati di addestramento.
Questo approccio basato su token funziona bene per molte attività linguistiche, ma crea una debolezza specifica in aritmetica. Gli strumenti di intelligenza artificiale possono commettere errori nei calcoli a più passaggi perché non mantengono i numeri in memoria come fa una calcolatrice. Invece, generano ciascun token di output in base alla probabilità, non a una logica numerica precisa.
Come gli strumenti di intelligenza artificiale utilizzano i modelli linguistici per ragionare nella risoluzione dei problemi di matematica
I modelli linguistici di grandi dimensioni (LLM) imparano la matematica leggendo enormi quantità di testo. Questo testo include libri di testo, articoli accademici, forum online ed esempi pratici. Durante l’addestramento, il modello apprende schemi comuni nel ragionamento matematico, schemi come “per trovare l’area di un rettangolo, moltiplica la lunghezza per la larghezza”.
Quando un utente presenta un nuovo problema di matematica, lo strumento AI abbina questo problema a modelli simili visti in precedenza. Questo processo di corrispondenza dei modelli consente al modello di riprodurre passaggi di ragionamento corretti per tipi di problemi familiari. Ad esempio, uno strumento di intelligenza artificiale può risolvere in modo affidabile equazioni lineari perché questi problemi seguono modelli coerenti e ben rappresentati nei dati di addestramento.
Tuttavia, questo approccio di pattern-matching presenta chiari limiti. I problemi di matematica che combinano molti passaggi insoliti o richiedono numeri molto grandi possono interrompere lo schema e lo strumento di intelligenza artificiale potrebbe produrre con sicurezza risposte errate.
In che modo la stimolazione della catena di pensiero migliora la precisione
I ricercatori hanno scoperto che chiedere agli strumenti di intelligenza artificiale di “pensare passo dopo passo” migliora significativamente la loro precisione matematica. Questa tecnica è chiamata stimolazione della catena di pensiero.
Nel suggerimento della catena di pensiero, lo strumento AI scrive ogni passaggio intermedio prima di fornire una risposta finale. Questo processo passo passo impone al modello di generare risultati intermedi come token di testo. Ciascun risultato intermedio diventa quindi il contesto per il passaggio successivo. Questo contesto riduce la possibilità di errore perché il modello non ha bisogno di “saltare” direttamente dal problema alla risposta.
Ad esempio, invece di rispondere “Quanto fa il 15% di 240?” in un unico passaggio, una risposta concatenata suddivide il problema in parti più piccole:
- Trova il 10% di 240 → 24
- Trova il 5% di 240 → 12
- Somma i due risultati → 24 + 12 = 36
Questo approccio strutturato rispecchia il modo in cui uno studente umano attento affronta un problema. Questa tecnica funziona perché i LLM producono risultati migliori quando i token precedenti nella sequenza sono già corretti.
In che modo gli strumenti di intelligenza artificiale utilizzano strumenti esterni per gestire calcoli precisi
Per superare i limiti aritmetici dei modelli linguistici, gli sviluppatori collegano gli strumenti di intelligenza artificiale a calcolatori esterni e programmi di interprete di codice. Questa integrazione è uno dei progressi tecnici più importanti nella risoluzione dei problemi matematici dell’intelligenza artificiale.
Quando uno strumento di intelligenza artificiale riceve un problema di matematica, può generare codice, solitamente Python, e inviare questo codice a un programma interprete esterno. Il programma interprete esegue il codice e restituisce una risposta esatta. Lo strumento AI legge quindi questa risposta e la presenta all’utente.
Questo approccio separa due attività: lo strumento AI gestisce la comprensione del linguaggio e la configurazione del problema, mentre il programma interprete del codice gestisce il calcolo preciso. Questa divisione del lavoro elimina gli errori aritmetici per i problemi che possono essere espressi come codice.
Ad esempio, per risolvere un problema di interesse composto, lo strumento AI scrive un breve script Python con la formula corretta, esegue lo script e recupera il risultato. Questo risultato è matematicamente esatto, a differenza di un risultato che il modello potrebbe generare esclusivamente attraverso la previsione dei token.
Come gli strumenti di intelligenza artificiale gestiscono la matematica simbolica
La matematica simbolica implica la manipolazione di espressioni algebriche, derivate, integrali ed equazioni senza utilizzare numeri specifici. Risolvere questi problemi di matematica richiede tecniche diverse rispetto al calcolo numerico.
Alcuni sistemi di intelligenza artificiale si collegano a sistemi di computer algebra (CAS) come SymPy o Wolfram Alpha. Questi sistemi seguono rigide regole algebriche per semplificare le espressioni, risolvere equazioni e calcolare le derivate. Lo strumento AI funge da interprete: legge il problema di matematica dell’utente, traduce questo problema in un formato comprensibile dal CAS e presenta il risultato in un linguaggio semplice.
Ad esempio, quando un utente chiede a uno strumento AI di differenziare x³ + 5x² − 3x, lo strumento AI invia questa espressione al CAS. Il CAS applica regole di differenziazione e restituisce 3x² + 10x − 3. Lo strumento AI spiega quindi ogni passaggio all’utente.
La combinazione di comprensione del linguaggio e calcolo simbolico consente agli strumenti di intelligenza artificiale di assistere in modo affidabile con il calcolo e l’algebra a livello universitario.
In che modo l’addestramento della qualità dei dati influisce sulle prestazioni nella risoluzione dei problemi di matematica
La qualità e la diversità dei dati di addestramento determinano direttamente il rendimento di uno strumento di intelligenza artificiale sui problemi di matematica. I modelli addestrati su grandi serie di esempi matematici elaborati di alta qualità hanno prestazioni significativamente migliori rispetto ai modelli addestrati solo sul testo generale.
I ricercatori hanno creato set di dati matematici specializzati per colmare questa lacuna. Questi set di dati includono problemi di matematica provenienti da concorsi, libri di testo e materiali curriculari, ciascuno abbinato a passaggi di soluzione dettagliati. L’addestramento su questi set di dati insegna al modello a strutturare attentamente il suo ragionamento e a verificare i risultati intermedi.
Anche l’apprendimento per rinforzo dal feedback umano (RLHF) gioca un ruolo importante. In questo processo, i revisori umani valutano le soluzioni matematiche generate dall’intelligenza artificiale. Il modello aggiorna il suo comportamento per produrre soluzioni che ottengono un punteggio elevato dai revisori. Questo ciclo di feedback incoraggia il modello a mostrare passaggi chiari, evitare salti ingiustificati e correggere i propri errori.
Con cosa gli strumenti di intelligenza artificiale sono ancora in difficoltà
Nonostante questi progressi, gli strumenti di intelligenza artificiale devono affrontare limiti reali nella risoluzione dei problemi matematici.
Innanzitutto, calcoli molto lunghi con molti passaggi accumulano piccoli errori. Ogni passaggio introduce una piccola possibilità di errore e questi errori si sommano a una lunga soluzione.
In secondo luogo, i problemi matematici che richiedono un’autentica intuizione creativa – come la matematica delle competizioni o le dimostrazioni originali – rimangono difficili per gli strumenti di intelligenza artificiale. Questi problemi di matematica non corrispondono ai modelli standard, quindi il modello non può fare affidamento solo sul richiamo dei modelli.
In terzo luogo, gli strumenti di intelligenza artificiale a volte producono risposte sicure ma sbagliate. Questo comportamento, chiamato allucinazione, è particolarmente pericoloso in matematica perché una risposta sbagliata può sembrare identica a quella corretta.
Gli utenti che si affidano agli strumenti di intelligenza artificiale per importanti lavori matematici dovrebbero sempre verificare i risultati in modo indipendente, soprattutto per le decisioni ad alto rischio.
La direzione del miglioramento
La risoluzione matematica dell’intelligenza artificiale migliora lungo tre direzioni principali. Innanzitutto, dati di addestramento migliori offrono ai modelli un’esposizione più ricca a diversi tipi di problemi di matematica. In secondo luogo, una più stretta integrazione con strumenti esterni allontana completamente il calcolo preciso dal modello linguistico. In terzo luogo, architetture di ragionamento migliorate – come modelli addestrati a verificare i propri passi – riducono il tasso di errori sicuri.
Queste tre direzioni insieme puntano verso strumenti di intelligenza artificiale che gestiscono una gamma più ampia di problemi di matematica in modo più affidabile. Tuttavia, l’architettura fondamentale dei modelli linguistici fa sì che gli strumenti esterni e la verifica umana rimarranno componenti importanti di un’accurata risoluzione matematica dell’intelligenza artificiale per il prossimo futuro.
