Google DeepMind ប្រកាសពី "ភាព​ជោគជ័យ" នៃ​បញ្ញា​សិប្បនិម្មិត​វិទ្យាសាស្ត្រ។

Google DeepMind ទើបតែបានប្រើប្រាស់គំរូ chatbot ដើម្បីផ្តល់ដំណោះស្រាយចំពោះបញ្ហាធំៗក្នុងគណិតវិទ្យា និងវិទ្យាសាស្ត្រកុំព្យូទ័រ។ ប្រព័ន្ធនេះ ដែលមានឈ្មោះថា AlphaEvolve រួមបញ្ចូលគ្នានូវភាពច្នៃប្រឌិតនៃគំរូភាសាធំៗ (LLMs) ជាមួយនឹងក្បួនដោះស្រាយដែលអាចពិនិត្យមើលការណែនាំរបស់គំរូ ដើម្បីត្រង និងកែលម្អដំណោះស្រាយ។ ការស្រាវជ្រាវនេះត្រូវបានពិពណ៌នានៅក្នុងរបាយការណ៍បច្ចេកទេសដែលបានចេញផ្សាយដោយក្រុមហ៊ុននៅថ្ងៃទី 14 ខែឧសភា។

«ឯកសារនេះពិតជាគួរឱ្យចាប់អារម្មណ៍ណាស់» លោក Mario Krenn ប្រធានមន្ទីរពិសោធន៍ អ្នកវិទ្យាសាស្ត្រ សិប្បនិម្មិតនៅវិទ្យាស្ថាន Max Planck សម្រាប់វិទ្យាសាស្ត្រពន្លឺក្នុងទីក្រុង Erlangen ប្រទេសអាល្លឺម៉ង់ បានអត្ថាធិប្បាយ។ «ខ្ញុំគិតថា AlphaEvolve គឺជាការបង្ហាញជោគជ័យលើកដំបូងនៃការរកឃើញថ្មីៗដោយផ្អែកលើ LLM ពហុគោលបំណង»។

យោងតាមលោក Pushmeet Kohli ប្រធានអ្នកវិទ្យាសាស្ត្រនៅ DeepMind បន្ថែមពីលើការប្រើប្រាស់ប្រព័ន្ធដើម្បីស្វែងរកដំណោះស្រាយចំពោះបញ្ហាបើកចំហ DeepMind បានអនុវត្តបច្ចេកទេសបញ្ញាសិប្បនិម្មិត (AI) នេះទៅលើបញ្ហាប្រឈមក្នុងពិភពពិតរបស់វា។ AlphaEvolve បានជួយកែលម្អការរចនានៃប្រព័ន្ធដំណើរការ tensor ជំនាន់ក្រោយ - បន្ទះឈីបកុំព្យូទ័រដែលត្រូវបានបង្កើតឡើងជាពិសេសសម្រាប់ AI - ហើយបានរកឃើញវិធីមួយដើម្បីទាញយកអត្ថប្រយោជន៍ពីថាមពលកុំព្យូទ័រសកលរបស់ Google កាន់តែមានប្រសិទ្ធភាព ដោយសន្សំសំចៃធនធានសរុប 0.7%។

បញ្ញាសិប្បនិម្មិតពហុបំណង

យោងតាមលោក Krenn កម្មវិធី AI ដែលទទួលបានជោគជ័យបំផុតនៅក្នុងវិទ្យាសាស្ត្ររហូតមកដល់បច្ចុប្បន្ន — រួមទាំងឧបករណ៍រចនាប្រូតេអ៊ីន AlphaFold — ពាក់ព័ន្ធនឹងក្បួនដោះស្រាយការរៀនសូត្រដោយដៃសម្រាប់កិច្ចការជាក់លាក់។ ប៉ុន្តែ AlphaEvolve មានភាពបត់បែន ដោយទាញយកអត្ថប្រយោជន៍ពីសមត្ថភាពរបស់ LLM ដើម្បីបង្កើតកូដដែលដោះស្រាយបញ្ហានៅក្នុងវិស័យជាច្រើន។

DeepMind ពិពណ៌នាអំពី AlphaEvolve ថាជា «ភ្នាក់ងារ» ព្រោះវាពាក់ព័ន្ធនឹងការប្រើប្រាស់គំរូ AI អន្តរកម្ម។ ទោះជាយ៉ាងណាក៏ដោយ វាផ្តោតលើចំណុចខុសគ្នានៅក្នុងដំណើរការវិទ្យាសាស្ត្រជាងប្រព័ន្ធវិទ្យាសាស្ត្រ AI «ភ្នាក់ងារ» ជាច្រើនទៀត ដែលត្រូវបានប្រើដើម្បីពិនិត្យឡើងវិញនូវអក្សរសិល្ប៍ និងស្នើសម្មតិកម្ម។

AlphaEvolve គឺផ្អែកលើខ្សែ Gemini LLM របស់ក្រុមហ៊ុន។ ភារកិច្ចនីមួយៗចាប់ផ្តើមដោយអ្នកប្រើប្រាស់បញ្ចូលសំណួរ លក្ខណៈវិនិច្ឆ័យវាយតម្លៃ និងដំណោះស្រាយដែលបានស្នើឡើង ដែល LLM ស្នើការកែប្រែរាប់រយ ឬរាប់ពាន់។ បន្ទាប់មកក្បួនដោះស្រាយ 'វាយតម្លៃ' វាយតម្លៃការកែប្រែដោយផ្អែកលើលក្ខណៈវិនិច្ឆ័យសម្រាប់ដំណោះស្រាយល្អ។

លោក Matej Balog ជាអ្នកវិទ្យាសាស្ត្របញ្ញាសិប្បនិម្មិតនៅ DeepMind និងជាអ្នកស្រាវជ្រាវរួមដឹកនាំ បាននិយាយថា ដោយផ្អែកលើដំណោះស្រាយដែលមានដំណើរការល្អបំផុត LLM ស្នើគំនិតថ្មីៗ ហើយយូរៗទៅ ប្រព័ន្ធនេះបង្កើតសំណុំក្បួនដោះស្រាយដ៏មានឥទ្ធិពលជាងមុន។ លោកបានមានប្រសាសន៍ថា "យើង ស្វែងយល់ពី សមត្ថភាពដោះស្រាយបញ្ហាជាច្រើនប្រភេទ"។

កម្មវិធីតូចចង្អៀត

នៅក្នុងគណិតវិទ្យា AlphaEvolve ហាក់ដូចជាអនុញ្ញាតឱ្យមានការបង្កើនល្បឿនគួរឱ្យកត់សម្គាល់ក្នុងការដោះស្រាយបញ្ហាមួយចំនួន នេះបើយោងតាមលោក Simon Frieder ដែលជាអ្នកគណិតវិទូ និងជាអ្នកស្រាវជ្រាវ AI នៅសាកលវិទ្យាល័យ Oxford ចក្រភពអង់គ្លេស។ ប៉ុន្តែវាទំនងជាអាចអនុវត្តបានចំពោះតែ "ផ្នែកតូចចង្អៀត" នៃកិច្ចការដែលអាចត្រូវបានបង្ហាញជាបញ្ហាដែលត្រូវដោះស្រាយតាមរយៈកូដប៉ុណ្ណោះ។

អ្នកស្រាវជ្រាវផ្សេងទៀតកំពុងប្រុងប្រយ័ត្នអំពីការវាយតម្លៃប្រយោជន៍របស់ឧបករណ៍នេះរហូតដល់វាត្រូវបានសាកល្បងនៅខាងក្រៅ DeepMind។ លោក Huan Sun អ្នកស្រាវជ្រាវ AI នៅសាកលវិទ្យាល័យរដ្ឋ Ohio ក្នុងទីក្រុង Columbus បាននិយាយថា "រហូតដល់ប្រព័ន្ធត្រូវបានសាកល្បងដោយសហគមន៍ធំជាងនេះ ខ្ញុំនឹងនៅតែមានការសង្ស័យ ហើយមើលលទ្ធផលដែលបានរាយការណ៍ដោយប្រុងប្រយ័ត្ន"។

យោងតាមលោក Kohli ទោះបីជា AlphaEvolve ត្រូវការថាមពលកុំព្យូទ័រតិចជាង AlphaTensor ដើម្បីដំណើរការក៏ដោយ វានៅតែប្រើប្រាស់ធនធានច្រើនពេក ដែលមិនអាចផ្តល់ជូនដោយឥតគិតថ្លៃនៅលើម៉ាស៊ីនមេរបស់ DeepMind បាន។ ទោះជាយ៉ាងណាក៏ដោយ ក្រុមហ៊ុនសង្ឃឹមថា ការប្រកាសអំពីប្រព័ន្ធនេះនឹងលើកទឹកចិត្តអ្នកស្រាវជ្រាវឱ្យស្នើឡើងនូវវិស័យវិទ្យាសាស្ត្រដែល AlphaEvolve អាចត្រូវបានអនុវត្ត។ លោក Kohli បានបញ្ជាក់ថា "យើងប្តេជ្ញាចិត្តយ៉ាងមុតមាំក្នុងការធានាថាមនុស្សភាគច្រើននៅក្នុងសហគមន៍វិទ្យាសាស្ត្រអាចចូលប្រើវាបាន"។

សមាគម​អ្នក​មាន​អំណាច​វៀតណាម (VNA)

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