Googlen DeepMind ratkaisee matemaattisia ongelmia tekoälyn avulla

Viimeaikaiset edistysaskeleet suurissa kielimalleissa (LLM) ovat tehneet tekoälystä entistä mukautuvaisemman, mutta tähän liittyy haittapuoli: virheet.

Generatiivisella tekoälyllä on taipumus keksiä asioita, mutta Google DeepMind on keksinyt uuden LLM:n, joka pitää kiinni matemaattisista totuuksista.

Yrityksen FunSearch voi ratkaista erittäin monimutkaisia ​​matemaattisia tehtäviä.

Ihme kyllä, sen luomat ratkaisut eivät ole vain tarkkoja; ne ovat täysin uusia ratkaisuja, joita kukaan ihminen ei ole koskaan löytänyt.

Arvioitu lukuaika: 4 minuti

FunSearchia kutsutaan nimellä, koska se etsii matemaattisia funktioita, ei siksi, että se olisi hauskaa. Jotkut ihmiset saattavat kuitenkin pitää cap-setin ongelmaa huutavana: matemaatikot eivät edes pääse yhteisymmärrykseen siitä, kuinka se parhaiten ratkaistaan, mikä tekee siitä todellisen numeerisen mysteerin. Deepmind on jo edistynyt tekoälyssä Alpha-malleillaan, kuten AlphaFold (proteiinin taittaminen), AlphaStar (StarCraft) ja AlphaGo (pelaa Go). Nämä järjestelmät eivät perustuneet LLM:ään, vaan paljastivat uusia matemaattisia käsitteitä.

FunSearchin avulla Deepmind aloitti suurella kielitilalla, Googlen PaLM 2:n versiolla nimeltä Codey. Työssä on toinen LLM-taso, joka analysoi Codeyn tuotoksen ja eliminoi virheelliset tiedot. Tämän työn takana oleva tiimi ei tiennyt, toimisiko tämä lähestymistapa, eikä ole vieläkään varma miksi, tutkijan mukaan Deepmind Alhussein Fawzi.

Aluksi insinöörit klo Deepmind he loivat Python-esityksen cap set -ongelmasta, mutta jättivät pois ratkaisua kuvaavat rivit. Codeyn tehtävänä oli lisätä rivejä, jotka ratkaisivat ongelman tarkasti. Virheentarkistuskerros arvioi sitten Codey-ratkaisut nähdäkseen, ovatko ne tarkkoja. Korkean tason matematiikassa yhtälöillä voi olla useampi kuin yksi ratkaisu, mutta kaikkia ei pidetä yhtä hyvinä. Ajan myötä algoritmi tunnistaa parhaat Codey-ratkaisut ja lisää ne takaisin malliin.

DeepMind antaa FunSearchin toimia useita päiviä, niin kauan, että se tuottaa miljoonia mahdollisia ratkaisuja. Tämä antoi FunSearchille mahdollisuuden tarkentaa koodia ja tuottaa parempia tuloksia. Äskettäin julkaistun tutkimuksen mukaan, L 'keinotekoinen äly löysi aiemmin tuntemattoman, mutta oikean ratkaisun cap set -ongelmaan. Deepmind vapautti FunSearchin myös toisesta vaikeasta matemaattisesta ongelmasta, konttipakkausongelmasta, algoritmista, joka kuvaa tehokkaimman tavan pakata säiliöt. FunSearch löysi ratkaisun nopeammin kuin ihmisten laskemat.

Matemaatikot kamppailevat edelleen integroidakseen LLM-teknologiaa työhönsä ja työhönsä Deepmind näyttää mahdollisen polun, jota seurata. Tiimi uskoo, että tällä lähestymistavalla on potentiaalia, koska se luo tietokonekoodia ratkaisun sijaan. Tämä on usein helpompi ymmärtää ja tarkistaa kuin raakamatemaattiset tulokset.

Liittyvät lukemat

• Ei enää vain onnea: fantasiajalkapallosta tulee analyysin malli. Fantalgoritmo syntyi, kun fantasiajalkapallon maailma kohtaa matematiikan
• Gato, DeepMind ja kilpailu yleiseen tekoälyyn
• Mikä on ennustava analytiikka ja miksi sillä on merkitystä liiketoiminnassa
• KESTÄVÄT KAUPALLISET RAKENNUKSET: ENERGIANHALLINTA JA TEKOÄLYKSET MAAILMANLAAJUISTA ENERGIANKULUTUSTA VOIDAAN VÄHENTÄÄ 30 % JA CO37-PÄÄSTÖJÄ 2 %
• Innovaatiot ja asiakassuhteet - kokemus ja loogis-deduktiivinen älykkyys

BlogInnovazione.it