Google DeepMind анонсує «проривний» науковий штучний інтелект

Компанія Google DeepMind використовувала моделі чат-ботів для пошуку рішень важливих проблем у математиці та інформатиці. Система під назвою AlphaEvolve поєднує креативність моделі великої мови програмування (LLM) з алгоритмами, які можуть перевіряти пропозиції моделі для вдосконалення та покращення рішень. Дослідження описано в технічній статті, опублікованій компанією 14 травня.

«Ця стаття досить вражаюча», — сказав Маріо Кренн, керівник Лабораторії науковців зі штучного світла в Інституті науки про світло імені Макса Планка в Ерлангені, Німеччина. «Я думаю, що AlphaEvolve — це перша успішна демонстрація нових відкриттів, заснованих на універсальних LLM».

Окрім використання системи для пошуку рішень відкритих проблем, DeepMind застосувала цей метод штучного інтелекту (ШІ) до власних реальних викликів, за словами Пушміта Колі, головного наукового співробітника DeepMind. AlphaEvolve допоміг покращити дизайн наступного покоління тензорних процесорів — комп’ютерних чіпів, розроблених спеціально для ШІ, — і знайшов спосіб ефективніше використовувати глобальну обчислювальну потужність Google, заощадивши 0,7% її загальних ресурсів.

Багатоцільовий ШІ

За словами Кренна, більшість успішних застосувань штучного інтелекту в науці на сьогодні, включаючи інструмент для проектування білків AlphaFold, передбачали навчання алгоритмів, розроблених вручну для конкретного завдання. Але AlphaEvolve має універсальне призначення, використовуючи здатність LLM генерувати код, який вирішує проблеми в різних областях.

DeepMind описує AlphaEvolve як «агента», оскільки він передбачає використання інтерактивних моделей штучного інтелекту. Однак, він орієнтований на інший етап наукового процесу, ніж багато інших наукових систем зі штучним інтелектом, що використовують «агенти», для огляду літератури та висування гіпотез.

AlphaEvolve базується на лінійці LLM компанії Gemini. Кожне завдання починається з того, що користувач вводить питання, критерії оцінки та запропоноване рішення, на основі яких LLM пропонує сотні або тисячі варіантів редагування. Потім алгоритм «оцінки» оцінює ці варіанти на основі критеріїв для визначення хорошого рішення.

На основі рішень, які вважаються найкращими, LLM пропонує нові ідеї, і з часом система розробляє потужніший алгоритмічний ансамбль. «Ми досліджуємо різноманітний набір можливостей вирішення проблем», — сказав Матей Балог, науковець зі штучного інтелекту в DeepMind та співкерівник дослідження.

Вузьке застосування

У математиці AlphaEvolve, за словами Саймона Фрідера, математика та дослідника штучного інтелекту з Оксфордського університету, Велика Британія, пропонує значне прискорення у вирішенні деяких задач. Але, ймовірно, він буде застосовний лише до «вузької підмножини» завдань, які можна сформулювати як проблеми, що вирішуються за допомогою коду, сказав він.

Інші дослідники обережно ставляться до корисності інструменту, доки його не протестують поза межами DeepMind. «Поки системи не будуть протестовані ширшою спільнотою, я б залишався скептично налаштованим і ставився до опублікованих результатів з певною часткою скептицизму», — сказав Хуан Сун, дослідник штучного інтелекту в Університеті штату Огайо в Колумбусі.

Хоча AlphaEvolve потребує менше обчислювальної потужності для роботи, ніж AlphaTensor, він все ще занадто ресурсоємний, щоб бути доступним безкоштовно на серверах DeepMind, сказав Колі. Однак компанія сподівається, що випуск системи спонукатиме дослідників пропонувати наукові галузі для застосування AlphaEvolve. «Ми абсолютно прагнемо забезпечити її доступність для якомога ширшої аудиторії в науковій спільноті», – сказав Колі.

ВНА

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