„Ta praca jest naprawdę imponująca” – skomentował Mario Krenn, kierownik Laboratorium Sztucznych Naukowców w Instytucie Nauk o Świetle im. Maxa Plancka w Erlangen w Niemczech. „Myślę, że AlphaEvolve to pierwsza udana demonstracja nowych odkryć opartych na wielofunkcyjnych modelach LLM”.
Według Pushmeeta Kohliego, głównego naukowca w DeepMind, oprócz wykorzystania systemu do znajdowania rozwiązań otwartych problemów, DeepMind zastosował tę technikę sztucznej inteligencji (AI) do własnych, rzeczywistych wyzwań. AlphaEvolve pomógł udoskonalić projekt nowej generacji procesorów tensorowych – układów scalonych opracowanych specjalnie dla AI – i znalazł sposób na efektywniejsze wykorzystanie globalnej mocy obliczeniowej Google, oszczędzając 0,7% całkowitych zasobów.
Wielofunkcyjna sztuczna inteligencja
Według Krenna, dotychczasowe, najbardziej udane zastosowania sztucznej inteligencji w nauce – w tym narzędzie do projektowania białek AlphaFold – opierały się na ręcznie zaprojektowanych algorytmach uczenia się dla konkretnych zadań. Jednak AlphaEvolve jest wszechstronny, wykorzystując możliwości LLM do generowania kodu rozwiązującego problemy z szerokiego zakresu dziedzin.
DeepMind opisuje AlphaEvolve jako „agent”, ponieważ wykorzystuje interaktywne modele sztucznej inteligencji. Jednak koncentruje się on na innym punkcie procesu naukowego niż wiele innych „agentowych” systemów naukowych opartych na sztucznej inteligencji, które służą do przeglądu literatury i stawiania hipotez.
AlphaEvolve opiera się na linii Gemini LLM firmy. Każde zadanie rozpoczyna się od wprowadzenia przez użytkownika pytania, kryteriów oceny i sugerowanego rozwiązania, na podstawie którego LLM sugeruje setki lub tysiące poprawek. Algorytm „oceny” następnie ocenia poprawki na podstawie kryteriów dobrego rozwiązania.
Matej Balog, naukowiec zajmujący się sztuczną inteligencją w DeepMind i współprowadzący badania, powiedział, że w oparciu o najlepsze rozwiązania, LLM proponuje nowe pomysły, a z czasem system rozwija bardziej wydajny zestaw algorytmów. Dodał: „ Badamy zróżnicowany zestaw możliwości rozwiązywania problemów”.
Wąskie zastosowanie
W matematyce AlphaEvolve wydaje się pozwalać na znaczne przyspieszenie rozwiązywania niektórych problemów, twierdzi Simon Frieder, matematyk i badacz sztucznej inteligencji z Uniwersytetu Oksfordzkiego w Wielkiej Brytanii. Jednak prawdopodobnie znajdzie zastosowanie tylko w „wąskiej części” zadań, które można przedstawić jako problemy do rozwiązania za pomocą kodu, dodaje.
Inni badacze ostrożnie oceniają przydatność narzędzia, dopóki nie zostanie ono przetestowane poza DeepMind. „Dopóki systemy nie zostaną przetestowane przez większą społeczność, zachowałbym sceptycyzm i ostrożnie podchodziłbym do zgłaszanych wyników” – powiedział Huan Sun, badacz sztucznej inteligencji z Ohio State University w Columbus.
Według Kohliego, chociaż AlphaEvolve wymaga mniejszej mocy obliczeniowej niż AlphaTensor, nadal jest zbyt zasobochłonny, aby oferować go bezpłatnie na serwerach DeepMind. Firma ma jednak nadzieję, że ogłoszenie systemu zachęci naukowców do zaproponowania dziedzin naukowych, w których AlphaEvolve może znaleźć zastosowanie. Kohli zapewnił: „Jesteśmy absolutnie zdeterminowani, aby zapewnić dostęp do niego większości osób ze środowiska naukowego”.
Źródło: https://nhandan.vn/google-deepmind-cong-bo-ai-khoa-hoc-dot-pha-post879748.html
Komentarz (0)