گوگل دیپ‌مایند از هوش مصنوعی علمی «پیشرفته» رونمایی کرد

گوگل دیپ‌مایند (Google DeepMind) از مدل‌های چت‌بات (chatbot) برای ارائه راه‌حل‌هایی برای مسائل بزرگ در ریاضیات و علوم کامپیوتر استفاده کرده است. این سیستم که AlphaEvolve نام دارد، خلاقیت یک مدل زبان بزرگ (LLM) را با الگوریتم‌هایی ترکیب می‌کند که می‌توانند پیشنهادات مدل را برای اصلاح و بهبود راه‌حل‌ها آزمایش کنند. این تحقیق در یک مقاله فنی که توسط این شرکت در 14 می منتشر شده است، شرح داده شده است.

ماریو کرن، رئیس آزمایشگاه دانشمند نور مصنوعی در موسسه علوم نور ماکس پلانک در ارلانگن آلمان، گفت: «این مقاله کاملاً چشمگیر است. من فکر می‌کنم AlphaEvolve اولین نمایش موفقیت‌آمیز اکتشافات جدید مبتنی بر LLMهای همه‌کاره است.»

به گفته‌ی پوشمیت کوهلی، دانشمند ارشد دیپ‌مایند، دیپ‌مایند علاوه بر استفاده از این سیستم برای یافتن راه‌حل‌هایی برای مسائل بی‌پایان، این تکنیک هوش مصنوعی (AI) را در چالش‌های دنیای واقعی خود نیز به کار گرفته است. آلفاایوالو به بهبود طراحی نسل بعدی پردازنده‌های تانسور - تراشه‌های کامپیوتری که به‌طور خاص برای هوش مصنوعی توسعه یافته‌اند - کمک کرده و راهی برای مهار کارآمدتر قدرت محاسباتی جهانی گوگل یافته است که باعث صرفه‌جویی ۰.۷٪ از کل منابع آن می‌شود.

هوش مصنوعی چند منظوره

کرن می‌گوید اکثر کاربردهای موفق هوش مصنوعی در علم تا به امروز - از جمله ابزار طراحی پروتئین AlphaFold - شامل الگوریتم‌های یادگیری دست‌ساز برای یک کار خاص بوده‌اند. اما AlphaEvolve یک ابزار همه‌منظوره است که از توانایی LLM برای تولید کدی که مسائل را در حوزه‌های مختلف حل می‌کند، بهره می‌برد.

دیپ‌مایند، آلفاایولو را به عنوان یک «عامل» توصیف می‌کند، زیرا شامل استفاده از مدل‌های هوش مصنوعی تعاملی است. با این حال، این سیستم نقطه‌ی متفاوتی را در فرآیند علمی نسبت به بسیاری از سیستم‌های علمی هوش مصنوعی «عامل» دیگر که برای بررسی ادبیات و پیشنهاد فرضیه استفاده می‌شوند، هدف قرار می‌دهد.

AlphaEvolve بر اساس خط تولید Gemini LLM این شرکت است. هر کار با وارد کردن یک سوال توسط کاربر، معیارهای ارزیابی و یک راه حل پیشنهادی آغاز می‌شود که LLM از بین آنها صدها یا هزاران اصلاحیه پیشنهاد می‌دهد. سپس یک الگوریتم «ارزیابی» اصلاحات را بر اساس معیارهای یک راه حل خوب ارزیابی می‌کند.

بر اساس راه‌حل‌هایی که به عنوان بهترین راه‌حل‌ها ارزیابی می‌شوند، LLM ایده‌های جدیدی را پیشنهاد می‌دهد و با گذشت زمان، سیستم یک مجموعه الگوریتمی قدرتمندتر ایجاد می‌کند. ماتج بالوگ، دانشمند هوش مصنوعی در DeepMind و از رهبران این تحقیق، گفت: «ما مجموعه‌ای متنوع از امکانات حل مسئله را بررسی می‌کنیم .»

کاربرد محدود

به گفته‌ی سیمون فریدر، ریاضیدان و محقق هوش مصنوعی در دانشگاه آکسفورد انگلستان، در ریاضیات، به نظر می‌رسد که AlphaEvolve سرعت قابل توجهی در حل برخی از مسائل ارائه می‌دهد. اما او گفت که احتمالاً فقط برای «زیرمجموعه‌ی محدودی» از وظایفی که می‌توانند به صورت مسائلی فرموله شوند که از طریق کد حل می‌شوند، قابل استفاده خواهد بود.

سایر محققان تا زمانی که این ابزار خارج از DeepMind آزمایش نشود، در مورد مفید بودن آن محتاط هستند. هوان سان، محقق هوش مصنوعی در دانشگاه ایالتی اوهایو در کلمبوس، گفت: «تا زمانی که این سیستم‌ها توسط جامعه وسیع‌تری آزمایش نشوند، من همچنان شکاک خواهم بود و نتایج گزارش شده را با کمی تردید می‌پذیرم.»

کوهلی گفت، اگرچه AlphaEvolve برای اجرا به قدرت محاسباتی کمتری نسبت به AlphaTensor نیاز دارد، اما هنوز هم برای ارائه رایگان در سرورهای DeepMind به منابع زیادی نیاز دارد. با این حال، این شرکت امیدوار است که انتشار این سیستم، محققان را به ارائه زمینه‌های علمی برای به‌کارگیری AlphaEvolve تشویق کند. کوهلی گفت: «ما کاملاً متعهد هستیم که اطمینان حاصل کنیم که این سیستم برای گسترده‌ترین مخاطبان ممکن در جامعه علمی قابل دسترسی است.»

وی ان ای

منبع: https://nhandan.vn/google-deepmind-cong-bo-ai-khoa-hoc-dot-pha-post879748.html