A Google DeepMind áttörést jelentett be a tudományos mesterséges intelligenciában.

A Google DeepMind chatbot modelleket használt a matematika és a számítástechnika jelentős problémáinak megoldására. Az AlphaEvolve névre keresztelt rendszer a nagy nyelvi modellek (LLM-ek) kreativitását olyan algoritmusokkal ötvözi, amelyek képesek megvizsgálni a modell javaslatait a megoldások szűrése és fejlesztése érdekében. A kutatást a vállalat május 14-én közzétett technikai jelentésében ismertetik.

„Ez a tanulmány meglehetősen lenyűgöző” – nyilatkozta Mario Krenn, az erlangeni Max Planck Fénytudományi Intézet Mesterséges Tudós Laboratóriumának vezetője. „Azt hiszem, az AlphaEvolve az első sikeres demonstrációja a többcélú LLM-eken alapuló új felfedezéseknek.”

Pushmeet Kohli, a DeepMind vezető tudósa szerint a rendszert a nyitott problémák megoldására használja, és a DeepMind ezt a mesterséges intelligencia (MI) technikát saját valós kihívásaira is alkalmazta. Az AlphaEvolve segített a tenzorprocesszorok – kifejezetten a mesterséges intelligencia számára kifejlesztett számítógépes chipek – következő generációjának tervezésének fejlesztésében, és talált egy módszert a Google globális számítási kapacitásának hatékonyabb kihasználására, az összes erőforrás 0,7%-át megtakarítva.

Többcélú mesterséges intelligencia

Krenn szerint a tudományban a mai napig sikeres mesterséges intelligencia alkalmazások többsége – beleértve az AlphaFold fehérjetervező eszközt is – manuálisan tervezett tanulási algoritmusokat tartalmazott konkrét feladatokhoz. Az AlphaEvolve azonban sokoldalú, és az LLM képességeit kihasználva olyan kódot generál, amely számos területen megoldja a problémákat.

A DeepMind az AlphaEvolve-ot „ágensként” írja le, mivel interaktív MI-modellek használatát foglalja magában. Azonban a tudományos folyamat egy másik pontját célozza meg, mint sok más „ágens” MI-alapú tudományos rendszer, amelyeket a szakirodalom áttekintésére és hipotézisek felállítására használnak.

Az AlphaEvolve a cég Gemini LLM termékcsaládján alapul. Minden feladat azzal kezdődik, hogy a felhasználó megadja a kérdést, az értékelési kritériumokat és a javasolt megoldást, amelyből az LLM több száz vagy ezer módosítást javasol. Egy „értékelési” algoritmus ezután a jó megoldás kritériumai alapján értékeli a módosításokat.

Matej Balog, a DeepMind mesterséges intelligencia szakértője és a projekt társvezetője elmondta, hogy a legjobban teljesítő megoldások alapján az LLM új ötleteket javasol, és idővel a rendszer egy hatékonyabb algoritmuskészletet fejleszt ki. Azt mondta: „A problémamegoldó képességek széles skáláját vizsgáljuk .”

Szűk alkalmazás

A matematikában az AlphaEvolve jelentős felgyorsulást tesz lehetővé bizonyos problémák megoldásában Simon Frieder, az Oxfordi Egyetem matematikusa és mesterséges intelligencia kutatója szerint. De valószínűleg csak a feladatok „szűk részére” lesz alkalmazható, amelyeket kóddal megoldandó problémaként lehet bemutatni, mondja.

Más kutatók óvatosan ítélik meg az eszköz hasznosságát, amíg azt a DeepMinden kívül nem tesztelik. „Amíg a rendszereket egy nagyobb közösség nem teszteli, továbbra is szkeptikus maradok, és óvatosan kezelem a jelentett eredményeket” – mondta Huan Sun, a columbusi Ohio Állami Egyetem mesterséges intelligencia kutatója.

Kohli szerint bár az AlphaEvolve futtatásához kevesebb számítási teljesítmény szükséges, mint az AlphaTensoré, még mindig túl erőforrás-igényes ahhoz, hogy ingyenesen elérhető legyen a DeepMind szerverein. A vállalat azonban reméli, hogy a rendszer bejelentése arra ösztönzi a kutatókat, hogy javasoljanak olyan tudományos területeket, ahol az AlphaEvolve alkalmazható. Kohli megerősítette: „Teljesen elkötelezettek vagyunk amellett, hogy a tudományos közösség legtöbb tagja hozzáférhessen.”

VNA

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