Google DeepMind ogłasza przełomową naukową sztuczną inteligencję

Google DeepMind wykorzystał modele chatbotów do opracowywania rozwiązań dla dużych problemów matematycznych i informatycznych. System o nazwie AlphaEvolve łączy kreatywność dużego modelu językowego (LLM) z algorytmami, które mogą testować sugestie modelu w celu udoskonalenia i ulepszenia rozwiązań. Badania opisano w artykule technicznym opublikowanym przez firmę 14 maja.

„Ta praca jest naprawdę imponująca” – powiedział Mario Krenn, kierownik Laboratorium Nauk o Sztucznym Świetle w Instytucie Nauk o Świetle im. Maxa Plancka w Erlangen w Niemczech. „Myślę, że AlphaEvolve to pierwsza udana demonstracja nowych odkryć opartych na wszechstronnych modelach LLM”.

Według Pushmeeta Kohliego, głównego naukowca DeepMind, oprócz wykorzystywania systemu do znajdowania rozwiązań problemów otwartych, firma DeepMind zastosowała tę technikę sztucznej inteligencji (AI) do własnych, rzeczywistych wyzwań. AlphaEvolve pomógł udoskonalić projekt nowej generacji procesorów tensorowych – układów scalonych opracowanych specjalnie dla sztucznej inteligencji – i znalazł sposób na efektywniejsze wykorzystanie globalnej mocy obliczeniowej Google, oszczędzając 0,7% całkowitych zasobów firmy.

Wielofunkcyjna sztuczna inteligencja

Jak dotąd, większość udanych zastosowań sztucznej inteligencji w nauce – w tym narzędzie do projektowania białek AlphaFold – opierała się na algorytmach uczenia się, stworzonych ręcznie do konkretnego zadania, mówi Krenn. Jednak AlphaEvolve jest narzędziem uniwersalnym, wykorzystującym możliwości LLM do generowania kodu rozwiązującego problemy z różnych 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. Każde zadanie rozpoczyna się od wpisania przez użytkownika pytania, kryteriów oceny i proponowanego rozwiązania, na podstawie którego program LLM sugeruje setki lub tysiące poprawek. Algorytm „oceny” następnie ocenia poprawki na podstawie kryteriów dobrego rozwiązania.

Na podstawie rozwiązań uznanych za najlepsze, LLM sugeruje nowe pomysły, a z czasem system rozwija bardziej wydajny zespół algorytmów. „ Badamy różnorodne możliwości rozwiązywania problemów” – powiedział Matej Balog, naukowiec zajmujący się sztuczną inteligencją w DeepMind i współkierujący badaniami.

Wąskie zastosowanie

W matematyce AlphaEvolve wydaje się oferować znaczące przyspieszenie rozwiązywania niektórych problemów, twierdzi Simon Frieder, matematyk i badacz sztucznej inteligencji z Uniwersytetu Oksfordzkiego w Wielkiej Brytanii. Dodał jednak, że prawdopodobnie znajdzie zastosowanie tylko w „wąskim podzbiorze” zadań, które można sformułować jako problemy do rozwiązania za pomocą kodu.

Inni badacze podchodzą z ostrożnością do przydatności narzędzia, dopóki nie zostanie ono przetestowane poza DeepMind. „Dopóki systemy nie zostaną przetestowane przez szerszą społeczność, zachowałbym sceptycyzm i traktowałbym zgłoszone wyniki z dystansem” – powiedział Huan Sun, badacz sztucznej inteligencji z Ohio State University w Columbus.

Chociaż AlphaEvolve wymaga mniejszej mocy obliczeniowej niż AlphaTensor, nadal jest zbyt zasobochłonny, aby udostępnić go bezpłatnie na serwerach DeepMind, powiedział Kohli. Firma ma jednak nadzieję, że udostępnienie systemu zachęci naukowców do proponowania obszarów naukowych, w których można zastosować AlphaEvolve. „Jesteśmy absolutnie zdeterminowani, aby zapewnić jego dostępność dla jak najszerszego grona odbiorców w środowisku naukowym” – powiedział Kohli.

VNA

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