Artikoloj

DeepMind de Google solvas matematikajn problemojn per artefarita inteligenteco

Lastatempaj progresoj en grandaj lingvomodeloj (LLM) igis AI pli adaptebla, sed ĉi tio venas kun malavantaĝo: eraroj.

Genera AI tendencas konsistigi aferojn, sed Google DeepMind elpensis novan LLM, kiu aliĝas al matematikaj veroj.

FunSearch de la kompanio povas solvi tre kompleksajn matematikajn problemojn.

Mirakle, la solvoj, kiujn ĝi generas, estas ne nur precizaj; ili estas tute novaj solvoj, kiujn neniu homo iam trovis.

Laŭtaksa legotempo: 4 minutoj

FunSearch nomiĝas tiel ĉar ĝi serĉas matematikajn funkciojn, ne ĉar ĝi estas amuza. Tamen, kelkaj homoj povus konsideri la problemon de ĉapelaro kiel hufo: matematikistoj eĉ ne povas konsenti pri kiel plej bone solvi ĝin, igante ĝin vera nombra mistero. Deepmind jam faris progresojn en artefarita inteligenteco kun siaj Alfa-modeloj kiel AlphaFold (proteina faldado), AlphaStar (StarCraft) kaj AlphaGo (ludante Go). Tiuj sistemoj ne estis bazitaj sur LLM, sed rivelis novajn matematikajn konceptojn.

Kun FunSearch, Deepmind komenciĝis per granda lingvoreĝimo, versio de PaLM 2 de Guglo nomita Codey. Estas dua LLM-nivelo ĉe la laboro, kiu analizas la produktaĵon de Codey kaj forigas malĝustajn informojn. La teamo malantaŭ ĉi tiu laboro ne sciis ĉu ĉi tiu aliro funkcios kaj ankoraŭ ne certas kial, laŭ la esploristo. Deepmind Alhussein Fawzi.

Por komenci, la inĝenieroj ĉe Deepmind ili kreis Python-reprezentadon de la ĉapo-aro problemo, sed forlasis la liniojn priskribantajn la solvon. La tasko de Codey estis aldoni liniojn kiuj precize solvis la problemon. La erarkontrola tavolo tiam notas la Codey-solvojn por vidi ĉu ili estas precizaj. En altnivela matematiko, ekvacioj povas havi pli ol unu solvon, sed ne ĉiuj estas konsiderataj same bonaj. Kun la tempo, la algoritmo identigas la plej bonajn Codey-solvojn kaj enigas ilin reen en la modelon.

DeepMind lasas FunSearch funkcii dum pluraj tagoj, sufiĉe longe por generi milionojn da eblaj solvoj. Ĉi tio permesis al FunSearch rafini la kodon kaj produkti pli bonajn rezultojn. Laŭ lastatempe eldonita esploro, L'artefarita inteligenteco trovis antaŭe nekonatan sed ĝustan solvon al la problemo de ĉapo. Deepmind ankaŭ liberigis FunSearch pri alia malfacila matematika problemo nomita la ujpaka problemo, algoritmo kiu priskribas la plej efikan manieron paki ujojn. FunSearch trovis solvon pli rapide ol tiuj kalkulitaj de homoj.

Matematikistoj ankoraŭ luktas por integri LLM-teknologion en sian laboron kaj la laboron de Deepmind montras eblan vojon por sekvi. La teamo kredas, ke ĉi tiu aliro havas potencialon ĉar ĝi generas komputilan kodon prefere ol la solvon. Ĉi tio ofte estas pli facile komprenebla kaj kontrolita ol krudaj matematikaj rezultoj.