Google-ի DeepMind-ը մաթեմատիկական խնդիրներ է լուծում արհեստական ​​ինտելեկտով

Լեզուների լայնածավալ մոդելների (LLMs) վերջին առաջընթացը AI-ն ավելի հարմարվող է դարձրել, բայց դա ունի բացասական կողմ՝ սխալներ:

Generative AI-ն հակված է ամեն ինչ հորինելու, բայց Google DeepMind-ը նոր LLM է ստեղծել, որը կառչում է մաթեմատիկական ճշմարտություններից:

Ընկերության FunSearch-ը կարող է լուծել շատ բարդ մաթեմատիկական խնդիրներ:

Հրաշքով, դրա ստեղծած լուծումները ոչ միայն ճշգրիտ են. դրանք բոլորովին նոր լուծումներ են, որոնք երբեք ոչ մի մարդ չի գտել:

Ընթերցանության գնահատված ժամանակը. 4 արձանագրություն

FunSearch-ն այդպես է կոչվում, քանի որ այն փնտրում է մաթեմատիկական ֆունկցիաներ, այլ ոչ թե այն պատճառով, որ զվարճալի է: Այնուամենայնիվ, որոշ մարդիկ կարող են համարել գլխարկի տեղադրման խնդիրը որպես թեժ. մաթեմատիկոսները նույնիսկ չեն կարողանում համաձայնության գալ այն լավագույնս լուծելու շուրջ՝ դարձնելով այն իրական թվային առեղծված: DeepMind- ը արդեն իսկ առաջընթաց է գրանցել արհեստական ​​ինտելեկտում իր Alpha մոդելներով, ինչպիսիք են AlphaFold (սպիտակուցների ծալում), AlphaStar (StarCraft) և AlphaGo (խաղում է Go): Այս համակարգերը հիմնված չէին LLM-ի վրա, այլ բացահայտեցին մաթեմատիկական նոր հասկացություններ:

FunSearch-ով, DeepMind- ը սկսվեց մեծ լեզվի ռեժիմով, Google-ի PaLM 2-ի տարբերակը, որը կոչվում է Codey: Աշխատում է LLM-ի երկրորդ մակարդակը, որը վերլուծում է Codey-ի արդյունքը և վերացնում սխալ տեղեկատվությունը: Այս աշխատանքի հետևում կանգնած թիմը չգիտեր, թե արդյոք այս մոտեցումը կաշխատի, և դեռևս վստահ չէ, թե ինչու, ըստ հետազոտողի DeepMind- ը Ալհուսեյն Ֆավզի.

Սկսելու համար, ինժեներները ժամը DeepMind- ը նրանք ստեղծեցին «Cap set» խնդրի Python-ի պատկերը, սակայն բաց թողեցին լուծումը նկարագրող տողերը: Codey-ի խնդիրն էր ավելացնել տողեր, որոնք ճշգրիտ լուծում էին խնդիրը: Սխալների ստուգման շերտն այնուհետև գնահատում է Codey լուծումները՝ տեսնելու, թե արդյոք դրանք ճշգրիտ են: Բարձր մակարդակի մաթեմատիկայի մեջ հավասարումները կարող են ունենալ մեկից ավելի լուծումներ, բայց ոչ բոլորն են համարվում հավասարապես լավ: Ժամանակի ընթացքում ալգորիթմը բացահայտում է Codey-ի լավագույն լուծումները և դրանք նորից մտցնում մոդելի մեջ:

DeepMind-ը թույլ է տալիս FunSearch-ին մի քանի օր աշխատել, բավական երկար՝ միլիոնավոր հնարավոր լուծումներ ստեղծելու համար: Սա թույլ տվեց FunSearch-ին կատարելագործել կոդը և ավելի լավ արդյունքներ տալ: Ըստ նոր հրապարակված հետազոտության, L 'արհեստական ​​բանականություն Գտել է նախկինում անհայտ, բայց ճիշտ լուծում գլխարկների հավաքածուի խնդրին: DeepMind- ը նաև ազատեց FunSearch-ը մեկ այլ դժվար մաթեմատիկական խնդրի վրա, որը կոչվում է կոնտեյներների փաթեթավորման խնդիր, ալգորիթմ, որը նկարագրում է տարաներ փաթեթավորելու ամենաարդյունավետ միջոցը: FunSearch-ը գտել է ավելի արագ լուծում, քան մարդկանց կողմից հաշվարկվածները:

Մաթեմատիկոսները դեռևս պայքարում են LLM տեխնոլոգիան իրենց աշխատանքի և աշխատանքի մեջ ինտեգրելու համար DeepMind- ը ցույց է տալիս հնարավոր ճանապարհը, որին պետք է հետևել: Թիմը կարծում է, որ այս մոտեցումն ունի ներուժ, քանի որ այն ստեղծում է համակարգչային ծածկագիր, այլ ոչ թե լուծում: Սա հաճախ ավելի հեշտ է հասկանալ և ստուգել, ​​քան հում մաթեմատիկական արդյունքները:

Առնչվող ընթերցումներ

• Այլևս ոչ միայն հաջողություն. ֆանտաստիկ ֆուտբոլը դառնում է վերլուծության մոդել: Ֆանտալգորիտմոն ծնվեց, երբ ֆանտաստիկ ֆուտբոլի աշխարհը հանդիպեց մաթեմատիկային
• Գատոն, DeepMind-ը և ընդհանուր արհեստական ​​բանականության մրցավազքը
• Ինչ է Predictive Analytics, և ինչու է այն կարևոր բիզնեսում
• ԿԱՅՈՒՆ ԱՌԵՎՏՐԱՅԻՆ ՇԵՆՔԵՐ. ԷՆԵՐԳԵՏԻԿ ԿԱՌԱՎԱՐՄԱՆ ԵՎ ԱՐՀԵՍՏԱԿԱՆ ԻՆՏԵՂԵԿՈՒԹՅԱՆ ՀԵՏ ԷՆԵՐԳԻԱՅԻ ԳԼՈԲԱԼ ՍՊԱՌՈՒՄԸ ԿԱՐՈՂ Է ՆՎԱԶԵԼ 30%-ով, իսկ CO37-ի արտանետումները 2%-ով:
• Նորարարություն և հաճախորդների հետ հարաբերություններ՝ փորձ և տրամաբանական-դեդուկտիվ ինտելեկտ

BlogInnovazione.it