Google DeepMind ប្រកាសពី "ការបំបែក" វិទ្យាសាស្ត្រ AI

Google DeepMind បានប្រើគំរូ chatbot ដើម្បីដោះស្រាយបញ្ហាធំៗក្នុងគណិតវិទ្យា និងវិទ្យាសាស្ត្រកុំព្យូទ័រ។ ប្រព័ន្ធនេះត្រូវបានគេហៅថា AlphaEvolve រួមបញ្ចូលគ្នានូវភាពច្នៃប្រឌិតនៃគំរូភាសាធំមួយ (LLM) ជាមួយនឹងក្បួនដោះស្រាយដែលអាចសាកល្បងយោបល់របស់គំរូដើម្បីកែលម្អ និងកែលម្អដំណោះស្រាយ។ ការ​ស្រាវជ្រាវ​នេះ​ត្រូវ​បាន​រៀប​រាប់​នៅ​ក្នុង​ឯកសារ​បច្ចេកទេស​ដែល​ចេញ​ផ្សាយ​ដោយ​ក្រុមហ៊ុន​នៅ​ថ្ងៃ​ទី ១៤ ខែ​ឧសភា។

Mario Krenn ប្រធានមន្ទីរពិសោធន៍ វិទ្យាសាស្ត្រ ពន្លឺសិប្បនិម្មិតនៅវិទ្យាស្ថាន Max Planck សម្រាប់វិទ្យាសាស្រ្តនៃពន្លឺនៅទីក្រុង Erlangen ប្រទេសអាល្លឺម៉ង់បាននិយាយថា "ក្រដាសនេះគឺគួរឱ្យចាប់អារម្មណ៍ណាស់" ។ "ខ្ញុំគិតថា AlphaEvolve គឺជាការបង្ហាញជោគជ័យលើកដំបូងនៃការរកឃើញថ្មីដោយផ្អែកលើ LLMs ដែលអាចប្រើប្រាស់បាន"។

បន្ថែមពីលើការប្រើប្រាស់ប្រព័ន្ធដើម្បីស្វែងរកដំណោះស្រាយចំពោះបញ្ហាបើកចំហ DeepMind បានអនុវត្តបច្ចេកទេសបញ្ញាសិប្បនិមិត្ត (AI) នេះទៅនឹងបញ្ហាប្រឈមក្នុងពិភពពិតរបស់វា នេះបើយោងតាមលោក Pushmeet Kohli ប្រធានអ្នកវិទ្យាសាស្ត្ររបស់ DeepMind ។ AlphaEvolve បានជួយកែលម្អការរចនានៃ tensor processors ជំនាន់ក្រោយ—បន្ទះសៀគ្វីកុំព្យូទ័រដែលត្រូវបានបង្កើតឡើងជាពិសេសសម្រាប់ AI—ហើយបានរកឃើញវិធីដើម្បីប្រើប្រាស់ថាមពលកុំព្យូទ័រសកលរបស់ Google កាន់តែមានប្រសិទ្ធភាព ដោយសន្សំបាន 0.7% នៃធនធានសរុបរបស់វា។

AI ពហុគោលបំណង

Krenn និយាយថា កម្មវិធីដែលទទួលបានជោគជ័យបំផុតនៃ AI នៅក្នុងវិទ្យាសាស្ត្ររហូតមកដល់បច្ចុប្បន្ន រួមទាំងឧបករណ៍រចនាប្រូតេអ៊ីន AlphaFold បានចូលរួមការរៀនក្បួនដោះស្រាយដែលបង្កើតដោយដៃសម្រាប់កិច្ចការជាក់លាក់មួយ។ ប៉ុន្តែ AlphaEvolve គឺជាគោលបំណងទូទៅ ដោយប្រើប្រាស់សមត្ថភាពរបស់ LLM ក្នុងការបង្កើតកូដដែលដោះស្រាយបញ្ហានៅក្នុងដែនផ្សេងៗគ្នា។

DeepMind ពិពណ៌នា AlphaEvolve ជា 'ភ្នាក់ងារ' ព្រោះវាពាក់ព័ន្ធនឹងការប្រើប្រាស់គំរូ AI អន្តរកម្ម។ ទោះបីជាយ៉ាងណាក៏ដោយ វាកំណត់គោលដៅខុសគ្នានៅក្នុងដំណើរការវិទ្យាសាស្ត្រជាងប្រព័ន្ធវិទ្យាសាស្ត្រ AI 'ភ្នាក់ងារ' ផ្សេងទៀត ដែលត្រូវបានប្រើដើម្បីពិនិត្យអក្សរសិល្ប៍ និងស្នើសម្មតិកម្ម។

AlphaEvolve គឺផ្អែកលើបន្ទាត់ Gemini LLM របស់ក្រុមហ៊ុន។ កិច្ចការនីមួយៗចាប់ផ្តើមដោយអ្នកប្រើប្រាស់បញ្ចូលសំណួរ លក្ខណៈវិនិច្ឆ័យវាយតម្លៃ និងដំណោះស្រាយដែលបានស្នើឡើង ដែល LLM ស្នើឱ្យមានការកែប្រែរាប់រយ ឬរាប់ពាន់។ ក្បួនដោះស្រាយ 'ការវាយតម្លៃ' បន្ទាប់មកវាយតម្លៃការកែប្រែដោយផ្អែកលើលក្ខណៈវិនិច្ឆ័យសម្រាប់ដំណោះស្រាយដ៏ល្អ។

ដោយផ្អែកលើដំណោះស្រាយដែលត្រូវបានវិនិច្ឆ័យថាល្អបំផុត LLM ណែនាំគំនិតថ្មី ហើយយូរ ៗ ទៅប្រព័ន្ធបង្កើតក្រុមក្បួនដោះស្រាយដ៏មានឥទ្ធិពល។ Matej Balog អ្នកវិទ្យាសាស្ត្រ AI នៅ DeepMind និងជាសហប្រធាននៃការស្រាវជ្រាវបាននិយាយថា "យើង ស្វែងយល់ពី លទ្ធភាពនៃការដោះស្រាយបញ្ហាផ្សេងៗគ្នា" ។

កម្មវិធីតូចចង្អៀត

នៅក្នុងគណិតវិទ្យា AlphaEvolve ហាក់ដូចជាផ្តល់នូវការបង្កើនល្បឿនដ៏សំខាន់ក្នុងការដោះស្រាយបញ្ហាមួយចំនួន នេះបើយោងតាមលោក Simon Frieder ដែលជាគណិតវិទូ និងជាអ្នកស្រាវជ្រាវ AI នៅសាកលវិទ្យាល័យ Oxford ចក្រភពអង់គ្លេស។ ប៉ុន្តែ​វា​ប្រហែល​ជា​អាច​អនុវត្ត​បាន​តែ​ចំពោះ "​សំណុំ​រង​តូច​" នៃ​កិច្ចការ​ដែល​អាច​ត្រូវ​បាន​បង្កើត​ជា​បញ្ហា​ដែល​ត្រូវ​ដោះស្រាយ​តាម​រយៈ​កូដ។

អ្នកស្រាវជ្រាវផ្សេងទៀតមានការប្រុងប្រយ័ត្នចំពោះអត្ថប្រយោជន៍របស់ឧបករណ៍រហូតដល់វាត្រូវបានសាកល្បងនៅខាងក្រៅ DeepMind ។ លោក Huan Sun អ្នកស្រាវជ្រាវ AI នៅសាកលវិទ្យាល័យ Ohio State ក្នុងទីក្រុង Columbus បាននិយាយថា “ទាល់តែប្រព័ន្ធត្រូវបានសាកល្បងដោយសហគមន៍ទូលំទូលាយ ខ្ញុំនឹងនៅតែសង្ស័យ ហើយទទួលយកលទ្ធផលដែលបានរាយការណ៍ដោយអំបិលមួយគ្រាប់” ។

លោក Kohli បាននិយាយថា ទោះបីជា AlphaEvolve ត្រូវការថាមពលកុំព្យូទ័រតិចជាងដើម្បីដំណើរការជាង AlphaTensor ក៏ដោយ ក៏វានៅតែត្រូវការធនធានខ្លាំងពេក ដែលអាចត្រូវបានផ្តល់ជូនដោយឥតគិតថ្លៃនៅលើ Servers របស់ DeepMind ។ ទោះជាយ៉ាងណាក៏ដោយក្រុមហ៊ុនសង្ឃឹមថាការចេញផ្សាយប្រព័ន្ធនេះនឹងលើកទឹកចិត្តអ្នកស្រាវជ្រាវឱ្យស្នើផ្នែកវិទ្យាសាស្ត្រដែលអនុវត្ត AlphaEvolve ។ Kohli បាននិយាយថា "យើងមានការប្តេជ្ញាចិត្តយ៉ាងមុតមាំក្នុងការធ្វើឱ្យប្រាកដថាវាអាចចូលដំណើរការបានសម្រាប់ទស្សនិកជនដ៏ទូលំទូលាយបំផុតនៅក្នុងសហគមន៍វិទ្យាសាស្ត្រ" ។

VNA

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