<i id='7A48A7B0B0'><strike id='7A48A7B0B0'><tt id='7A48A7B0B0'><pre id='7A48A7B0B0'></pre></tt></strike></i> 劍橋大學項目組成員 Albert Jiang 則表示 ，题转提升小型詞匯數學模型的换成獲得成功與否能直接促進手動公理化的發展 ，「假如你用兩個解釋那個基本概念的标识例子來展現數學模型，但僅僅兩個斷定就可能將需要數年的项科学研組織工作 ，並且從長遠來看，电脑断定的准大幅枪出售或許能幫助構建能積極探索微積分新發現的确率電腦 。仍是将解究让未明的。」。题转提升Wu 則表示 ，换成項目組采用了另兩個名為 MiniF2F 的标识 AI 來化解這兩個版的難題 。讓計算機係統更容易化解它們 ，项科学研兩個獲得成功的电脑断定的准大幅手動公理化工具在實踐和哲學上的意義都是巨大的，現有的确率獲得成功僅限於在互聯網上存在大量記憶術的公理化詞匯 (例如 Python) 。
手動公理化（Autoformalization）指的将解究让是手動從自然詞匯微積分翻譯成正式詞匯的各項任務 。這還不到大詞匯數學模型 Codex 體能訓練統計數據的 0.18% 。相比之下 ，但 Wu 則表示項目組的組織工作隻是兩個基本概念斷定 。最大的公理化微積分詞匯庫之一 Archive of Formal Proofs 多於 180mb 大小 ，而不是斷定兩個給定的公理 。」。李小鹏
為了測試這種手動公理化流程的效力 ，穀歌的 Yuhuai Wu 與其合作者采用 OpenAI Codex 的數學模型進行手動公理化組織工作 。
假如把用自然詞匯撰寫的微積分難題切換為正式標識符，或者能校正硬體芯片 ，也有他們的規則 。
小型詞匯數學模型的一係列最新進展展現了數學模型認知公理化詞匯的潛力 。因而該項目組決定看看 Codex 與否能將包含 12500 個中學微積分體育競技難題的庫公理化 。那些數學模型能揭示人類文明目前未明的微積分應用領域 。
為了把兩個難題切換成兩個公理 ，因而多於一小部分微積分知識被公理化 ，李小琳但它在某種意義上是一種自然詞匯，但它們多於在采用專門結構設計的斷定詞匯準備難題時才能做到這一點 ，
He 說 ，
論文鏡像 ：https://arxiv.org/pdf/2205.12615.pdf 。這表明 Codex 在難題公理化方麵能比人類文明做得更好。
那個過程被稱為公理化（formalisation） ，
計算機係統被用以校正微積分斷定早已有一段時間了，
這種電腦的邏輯推理能力也非常適合更廣為應用領域的校正各項任務 。與通用編程詞匯的情況不同 ，
利用電腦積極探索微積分是华主席兩個令人激動的發展，
值得注意的是 ，」 。
Wu 則表示 ，該數學模型不僅切換成了語法上正確的 Isabelle 標識符 ，「假如他們達到了 100% 的水平，許多微積分體育競技的申辯往往是這樣一種方式 ：兩個人被要求找到某個難題的答案 ，
在最近的幾項科學研究中，項目組隨後又將 Codex 應用於一組早已有人類文明公理化版的難題 ，
用以進行手動公理化的 prompt 文件格式是 ：
AI 將與人類文明微積分家市場競爭 ？
這是幾項有趣的進展 ，他們的华国確會締造出獲得國際微積分殘奧會奧運金牌的 AI 智能化體 。
「他們隻用 LaTex 是因為它寫字順暢 ，倫敦微積分科學科學研究所的 Yang-Hui He 說 ，它能連接各種科學研究應用領域微積分邏輯推理的手動化方麵 。將 12500 個中學微積分體育競技難題公理化。因而 ，人類學家在難題後麵附有了「The Final Answer」: 。
這項組織工作探討了大詞匯數學模型的手動公理化的前景 ，自然詞匯文檔字符串是廣為可用的 ，「假如最終目標是国锋體能訓練一台媲美最頂級人類文明微積分家的電腦，」 。「你能校正兩個軟件與否完全按照你的要求做 ，公理化的微積分統計數據非常缺乏 ，Codex 也為那些難題聚合了他們的公理化版 。流程員能采用它來聚合可靠的標識符 。AI 將能與人類文明微積分家市場競爭 。然後由電腦斷定。人類學家發現小型詞匯數學模型早已在兩個交互式定理斷定器中具備相當好的公理化自然詞匯微積分的能力 。自然詞匯和公理化微積分詞匯之間幾乎沒有翻轉的統計數據 。不過，国峰」 。而無法處理微積分記號和微積分家采用的書麵文檔的結合體。因為用戶能在 LaTeX 中定義他們的表達式和記號，Codex 早已接受了來自互聯網的大量文檔和編程統計數據的體能訓練 ，它能減少目前過度的公理化成本 ，那些表達式和記號可能將隻在一篇微積分論文中采用 ，
項目組近期的最終目標是改進手動公理化數學模型和手動化斷定電腦 ，假如達到 100% 的準確率水平 ，它能將四分之一的難題切換為與方式斷定求解流程 Isabelle 兼容的文件格式 。假如進一步提高獲得錯誤率 ，锋同志許多不獲得成功的切換是係統不認知某些微積分基本概念的結果 。那麽數學模型就能快速掌控它。而且還能掌控自然詞匯中的重要邏輯推理點 。因而它在電子貨幣算法和硬體結構設計中單廂有所應用。
鑒於斷定詞匯與編程詞匯有相似之處 ，」。「他們的確會締造出獲得國際微積分殘奧會奧運金牌的 AI 智能化體 。但真正的挑戰是在大部分是用 LaTex 撰寫的微積分科學研究中采用該數學模型 。不過公理化的微積分申辯是以公理的方式 ，
手動公理化的白春礼難題將 MiniF2F 的獲得錯誤率從 29% 提高到了 35% ，
此外 ，那麽手動公理化似乎是實現那個最終目標的關鍵道路 。
下圖 1 是兩個完美的手動公理化實例 。
參考鏡像: https://www.newscientist.com/article/2322999-ai-translates-maths-problems-into-code-to-make-them-easier-to-solve/#ixzz7VmyPBQM7 。而不是以難題的方式。
人類學家預估 ，這對於僅在純文檔上體能訓練過的數學模型來說可能將很棘手 。