Google DeepMind mengumumkan AI ilmiah "terobosan".

Google DeepMind baru saja menggunakan model chatbot untuk memberikan solusi bagi masalah-masalah besar dalam matematika dan ilmu komputer. Sistem yang disebut AlphaEvolve ini menggabungkan kreativitas model bahasa besar (LLM) dengan algoritma yang dapat memeriksa saran model untuk menyaring dan meningkatkan solusi. Penelitian ini dijelaskan dalam laporan teknis yang diterbitkan oleh perusahaan pada tanggal 14 Mei.

"Makalah ini cukup mengesankan," komentar Mario Krenn, kepala Laboratorium Ilmuwan Buatan di Institut Max Planck untuk Ilmu Cahaya di Erlangen, Jerman. "Saya pikir AlphaEvolve adalah demonstrasi sukses pertama dari penemuan baru berdasarkan LLM multiguna."

Menurut Pushmeet Kohli, Kepala Ilmuwan di DeepMind, selain menggunakan sistem ini untuk menemukan solusi bagi masalah yang belum terpecahkan, DeepMind juga telah menerapkan teknik kecerdasan buatan (AI) ini untuk tantangan dunia nyata mereka sendiri. AlphaEvolve telah membantu meningkatkan desain prosesor tensor generasi berikutnya—chip komputer yang dikembangkan khusus untuk AI—dan telah menemukan cara untuk memanfaatkan daya komputasi global Google secara lebih efisien, menghemat 0,7% dari total sumber daya.

AI Serbaguna

Menurut Krenn, sebagian besar aplikasi AI yang sukses dalam sains hingga saat ini—termasuk alat desain protein AlphaFold—melibatkan algoritma pembelajaran yang dirancang secara manual untuk tugas-tugas spesifik. Namun AlphaEvolve bersifat serbaguna, memanfaatkan kemampuan LLM untuk menghasilkan kode yang memecahkan masalah di berbagai bidang.

DeepMind mendeskripsikan AlphaEvolve sebagai 'agen,' karena melibatkan penggunaan model AI interaktif. Namun, AlphaEvolve menargetkan titik yang berbeda dalam proses ilmiah dibandingkan dengan banyak sistem ilmiah AI 'agen' lainnya, yang digunakan untuk meninjau literatur dan mengajukan hipotesis.

AlphaEvolve didasarkan pada lini Gemini LLM perusahaan. Setiap tugas dimulai dengan pengguna memasukkan pertanyaan, kriteria evaluasi, dan solusi yang disarankan, dari mana LLM menyarankan ratusan atau ribuan revisi. Algoritma 'evaluasi' kemudian menilai revisi berdasarkan kriteria untuk solusi yang baik.

Matej Balog, seorang ilmuwan AI di DeepMind dan salah satu peneliti utama, mengatakan bahwa berdasarkan solusi dengan kinerja terbaik, LLM mengusulkan ide-ide baru, dan seiring waktu sistem tersebut mengembangkan serangkaian algoritma yang lebih ampuh. Dia mengatakan, "Kami mengeksplorasi beragam kemampuan pemecahan masalah."

Penerapan yang sempit

Dalam bidang matematika, AlphaEvolve tampaknya memungkinkan percepatan yang signifikan dalam memecahkan masalah-masalah tertentu, menurut Simon Frieder, seorang matematikawan dan peneliti AI di Universitas Oxford, Inggris. Namun, kemungkinan besar hanya akan berlaku untuk "sebagian kecil" tugas yang dapat disajikan sebagai masalah yang harus dipecahkan melalui kode, katanya.

Peneliti lain bersikap hati-hati dalam menilai kegunaan alat tersebut sampai diuji di luar DeepMind. "Sampai sistem tersebut diuji oleh komunitas yang lebih besar, saya akan tetap skeptis dan melihat hasil yang dilaporkan dengan hati-hati," kata Huan Sun, seorang peneliti AI di Ohio State University di Columbus.

Menurut Kohli, meskipun AlphaEvolve membutuhkan daya komputasi yang lebih sedikit untuk dijalankan daripada AlphaTensor, sistem ini masih terlalu boros sumber daya untuk ditawarkan secara gratis di server DeepMind. Namun, perusahaan berharap pengumuman sistem ini akan mendorong para peneliti untuk mengusulkan bidang ilmiah di mana AlphaEvolve dapat diterapkan. Kohli menegaskan, "Kami sepenuhnya berkomitmen untuk memastikan bahwa sebagian besar orang di komunitas ilmiah dapat mengaksesnya."

VNA

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