在人工智能追求的途径中，一种方法越来越重要，即 数学超级智能 （微星）。它从以下观察开始：当前模型在预测文本方面非常有效，但在需要可靠推理时则效率低得多。他们可能会给出表面上连贯但实际上不正确的答案。 MSI 建议通过回归结构化思维的基础来回答这个问题：数学和逻辑。
关键就在那里，MSI人工智能不只是猜测单词序列，它会像数学家一样一步步进行推理，然后根据形式规则验证每一步。如果转换不正确，模型将不会继续前进。这种机制与概率模型形成鲜明对比，概率模型寻求“最可能”的答案，但既不保证其有效性，也不保证中间步骤的一致性。
为了实现这一点，数学超级智能依赖于一种长期为实验室保留的工具，即证明助手。 Lean4、Coq 或 Isabelle 允许您自动检查推理是否正确。在 MSI 方法中，这些助手构建模型，防止逻辑错误，并确保每个结论实际上都遵循一组数学规则。
这种方法满足了处理幻觉问题的需要，这些错误但令人信服的答案仍然是法学硕士的一个主要问题。在许多领域，它们都是令人望而却步的：工程、定量金融、关键软件开发、科学研究、网络安全。对于这些用途，人工智能不仅必须产生结果，还必须证明该结果是正确的。数学超级智能正是想提供这样的保证。
第一个工业示例正在出现，特别是在美国帕洛阿尔托的 Harmonic，它说明了这一新类别的模型。其亚里士多德系统在国际数学奥林匹克竞赛中达到了金牌水平，通过Lean4提供了经过充分验证的解决方案。这表明人工智能可以超越简单的预测，进入一个可以构建、演示和验证其自身推理的空间。
在欧洲，一些年轻的公司正在研究这一转变所需的构建模块：混合推理、模块化逻辑、神经符号架构。欧洲在形式逻辑方面拥有强大的学术基础，可以在此类模型的标准化和工业采用方面发挥关键作用，特别是在合规性和可验证性起决定性作用的领域。
数学超级智能将人工智能从生成工具转变为演示工具。在模型信任成为战略问题的背景下，它为能够解释和证明的人工智能开辟了道路。
一些值得关注的初创公司
– 谐波 （美国）：MSI 的先驱，其亚里士多德模型经过 Lean4 验证。
– 阿斯图特 （英国）：牛津衍生品，可解释且强大的推理人工智能。
– 扩展性人工智能 （奥地利）：用于推理和演绎的神经符号架构。
– SynaLinks （法国）：应用于法学硕士的受控推理的逻辑框架。
– 木糖醇 （美国、欧洲创始人）：结合逻辑和神经网络的混合系统。
