Ada konsep matematika yang disebut ‘jumlah ciuman. ‘Sesuatu yang mengecewakan, itu tidak ada hubungannya dengan ciuman nyata; Daftar berapa banyak bola Itu bisa menyentuh (atau ‘ciuman’) satu bola dengan ukuran yang sama tanpa melintasi. Dalam dimensi, jumlah ciuman adalah dua. Dalam dua dimensi ada 6 (pikirkan New York Times ‘Teka -teki lebah ejaan konfigurasi). Ketika jumlah dimensi tumbuh, jawabannya menjadi kurang jelas: untuk sebagian besar dimensi lebih besar dari 4, hanya batas yang lebih tinggi dan lebih rendah yang diketahui dalam jumlah ciuman. Sekarang, agen AI dikembangkan oleh Google Dalam Disebut Alphaevolve telah memberikan kontribusinya terhadap masalah, meningkatkan batas bawah dalam jumlah ciuman dalam 11 dimensi 592 menjadi 593.
Ini mungkin tampak merupakan peningkatan tambahan dalam masalah, terutama karena batas atas dalam jumlah ciuman dalam 11 dimensi adalah 868, sehingga rentang yang tidak diketahui tetap cukup besar. Tapi itu merupakan penemuan matematika baru dari agen AI, dan menentang gagasan itu Model bahasa besar adalah Tidak mampu kontribusi ilmiah asli.
Dan ini hanyalah contoh dari apa yang telah dicapai Alphaevolve. “Kami menerapkan alphaevolve dalam berbagai masalah terbuka dalam penelitian MatematikaDan kami sengaja memilih masalah dari berbagai bagian matematika: analisis, kombinatorial, geometri, “katanya MATEJ BALOGSeorang ilmuwan riset DeepMind yang mengerjakan proyek tersebut. Mereka menemukan bahwa untuk 75 persen dari masalah, model AI menjawab solusi optimal yang sudah diketahui. Dalam 20 persen kasus, ia menemukan optimal baru yang melebihi solusi yang diketahui. “Setiap kasus adalah penemuan baru,” kata Balog. (Dalam 5 persen kasus lainnya, AI konvergen dalam solusi yang lebih buruk daripada yang diketahui optimal).
Model ini juga mengembangkan algoritma baru untuk multiplikasi matriks, operasi yang mendasari banyak Pembelajaran Otomatis. Versi sebelumnya dari model AI DeepMind, yang disebut Alphatensor, sudah mengalahkan Algoritma yang paling terkenal, ditemukan pada tahun 1969, untuk mengalikan 4 dengan 4 matriks. Alphaevolve menemukan versi yang lebih umum dari algoritma yang ditingkatkan itu.
Alphaevolve DeepMind membuat perbaikan dalam beberapa masalah praktis di Google. Google DeepMind
Selain matematika abstrak, tim juga menerapkan modelnya pada masalah praktis yang dihadapi Google setiap hari. AI juga digunakan untuk mengoptimalkan orkestrasi pusat data untuk mendapatkan peningkatan 1 persen, untuk mengoptimalkan desain Google berikutnya Unit Pemrosesan TensionerDan untuk menemukan peningkatan nukleus yang digunakan dalam pelatihan Gemini, yang mengarah pada pengurangan 1 persen dalam waktu pelatihan.
“Sangat mengejutkan bahwa Anda dapat melakukan begitu banyak hal berbeda dengan satu sistem,” katanya Alexander NovikovSeorang ilmuwan riset senior DeepMind yang juga bekerja di Alphaevolve.
Bagaimana alphaevolve bekerja
Alphaevolve bisa begitu umum karena dapat diterapkan pada hampir semua masalah yang dapat dinyatakan sebagai kode dan yang dapat diverifikasi dengan kode lain. Pengguna memberikan tusuk awal untuk masalah, program yang memecahkan masalah yang dimaksud, bagaimanapun, secara subopim, dan program verifier yang memverifikasi seberapa baik kode memenuhi kriteria yang diperlukan.
Kemudian, model bahasa besar, dalam hal ini Gemini, menyajikan program kandidat lain untuk menyelesaikan masalah yang sama, dan verifier masing -masing membuktikan. Dari sana, Alphaevolve menggunakan a algoritma genetika sedemikian rupa sehingga “yang paling tepat dari solusi yang diusulkan bertahan dan berkembang menjadi generasi berikutnya. Proses ini diulangi sampai solusi berhenti membaik.
Alphaevolve menggunakan satu set model bahasa Gemini besar (LLM) bersama dengan kode evaluasi, semua diatur oleh a algoritma genetika Untuk mengoptimalkan kode. Google DeepMind
“Model bahasa besar datang, dan kami mulai bertanya pada diri sendiri, itu adalah kasus bahwa mereka hanya akan menambahkan apa yang ada dalam data pelatihan, atau kami dapat menggunakannya untuk menemukan sesuatu yang sama sekali baru, baru algoritma Atau pengetahuan baru? “Kata Balog.
Alphaevolve berasal dari garis keturunan panjang model DeepMind, yang kembali ke Alphazeroyang terpana pada dunia Belajar bermain caturPergi dan game lain lebih baik daripada pemain manusia mana pun tanpa menggunakan pengetahuan manusia apa pun, hanya untuk bermain dan menggunakan Pembelajaran Penguatan Untuk menguasainya. AI lain menyelesaikan matematika berdasarkan Pembelajaran PenguatanAlphaproof, Selesai Pada tingkat perak medali di Olympiad matematika tahun 2024.
Namun, untuk Alphaevolve, tim memecah tradisi pembelajaran penguatan yang mendukung algoritma genetika. “Sistemnya jauh lebih sederhana,” kata Balog. “Dan itu benar -benar memiliki konsekuensi, yang jauh lebih mudah untuk ditetapkan dalam berbagai masalah.”
Masa depan (sama sekali tidak menakutkan)
Tim di belakang Alphaevolve berharap untuk mengembangkan sistem dua arahnya.
Pertama, mereka ingin menerapkannya pada berbagai masalah yang lebih luas, termasuk masalah ilmu alam. Untuk mengejar tujuan ini, mereka berencana untuk membuka program akses awal bagi akademisi yang tertarik untuk menggunakan Alphaevolve dalam penelitian mereka. Mungkin lebih sulit untuk mengadaptasi sistem dengan ilmu alam, karena verifikasi solusi yang diusulkan bisa kurang sederhana. Tetapi, Balog mengatakan: “Kita tahu bahwa dalam ilmu alam, ada banyak simulator untuk berbagai jenis masalah, dan kemudian mereka juga dapat digunakan dalam Alphaevolve. Dan kita, di masa depan, sangat tertarik untuk memperluas ruang lingkup ke arah ini.”
Kedua, mereka ingin meningkatkan sistem itu sendiri, mungkin menggabungkannya dengan proyek mendalam lainnya: Co-scientist ai. AI ini juga menggunakan LLM dan algoritma genetika, tetapi berfokus pada generasi hipotesis dalam bahasa alami. “Mereka mengembangkan ide -ide dan hipotesis tingkat yang lebih tinggi ini,” kata Balog. “Memasukkan komponen ini ke dalam sistem yang mirip dengan Alphaevolve, saya pikir, akan memungkinkan kita untuk pergi ke tingkat abstraksi yang lebih tinggi.”
Prospek ini menarik, tetapi untuk subjek mereka juga dapat terdengar mengancam untuk contoh, optimalisasi pelatihan Gemini Alphaevolve dapat dilihat awal dari AI yang meningkatkan diri secara rekursif, yang Som SOM khawatir akan mengarah pada ledakan kecerdasan buron yang disebut keganjilan. Tim DeepMind berpendapat bahwa ini bukan tujuannya, tentu saja. “Kami sangat senang berkontribusi untuk maju dalam AI yang menguntungkan kemanusiaan,” kata Novikov.
Artikel situs Anda
Artikel terkait di web
