DeepMind на Google решава математички проблеми со вештачка интелигенција

Неодамнешниот напредок во големите јазични модели (LLM) ја направи вештачката интелигенција поприлагодлива, но ова доаѓа со негативна страна: грешки.

Генеративната вештачка интелигенција има тенденција да ги измислува работите, но Google DeepMind излезе со нов LLM кој се држи до математичките вистини.

FunSearch на компанијата може да реши многу сложени математички проблеми.

За чудо, решенијата што ги генерира не се само точни; тие се сосема нови решенија кои ниту едно човечко суштество досега не ги нашло.

Проценето време за читање: 4 минути

FunSearch се нарекува така затоа што бара математички функции, а не затоа што е забавно. Сепак, некои луѓе би можеле да го сметаат проблемот со сет на капа за врева: математичарите дури и не можат да се договорат како најдобро да го решат, што го прави вистинска нумеричка мистерија. Deepmind веќе има постигнато напредок во вештачката интелигенција со своите Алфа модели како што се AlphaFold (преклопување на протеини), AlphaStar (StarCraft) и AlphaGo (играње Go). Овие системи не беа базирани на LLM, туку открија нови математички концепти.

Со FunSearch, Deepmind започна со голем јазичен режим, верзија на Google PaLM 2 наречена Codey. Постои второ ниво на LLM на работа, кое го анализира излезот на Codey и ги елиминира неточните информации. Тимот зад оваа работа не знаеше дали овој пристап ќе функционира и сè уште не е сигурен зошто, според истражувачот Deepmind Алхусеин Фавзи.

За почеток, инженерите во Deepmind тие создадоа Пајтонска претстава за проблемот со множеството капа, но ги изоставија линиите што го опишуваат решението. Задачата на Codey беше да додаде линии кои точно го решија проблемот. Слојот за проверка на грешки потоа ги оценува решенијата на Codey за да види дали се точни. Во математиката на високо ниво, равенките може да имаат повеќе од едно решение, но не сите се сметаат за подеднакво добри. Со текот на времето, алгоритмот ги идентификува најдобрите решенија на Codey и ги вметнува назад во моделот.

DeepMind дозволува FunSearch да работи неколку дена, доволно долго за да генерира милиони можни решенија. Ова му овозможи на FunSearch да го рафинира кодот и да произведе подобри резултати. Според новообјавеното истражување, L 'вештачка интелигенција најде претходно непознато, но точно решение за проблемот со капа-сетот. Deepmind исто така го ослободи FunSearch за уште еден тежок математички проблем наречен проблем со пакување контејнери, алгоритам кој го опишува најефикасниот начин за пакување контејнери. FunSearch најде решение побрзо од оние што ги пресметале луѓето.

Математичарите сè уште се борат да ја интегрираат LLM технологијата во нивната работа и работата на Deepmind покажува можен пат што треба да се следи. Тимот верува дека овој пристап има потенцијал затоа што генерира компјутерски код наместо решение. Ова е често полесно да се разбере и да се потврди отколку необработени математички резултати.

Поврзани читања

• Веќе не само среќа: фантастичниот фудбал станува модел на анализа. Фанталгоритмо е роден, кога светот на фантастичниот фудбал се среќава со математиката
• Гато, DeepMind и трката кон општа вештачка интелигенција
• Што е Predictive Analytics и зошто е важно во бизнисот
• ОДРЖЛИВИ КОМЕРЦИЈАЛНИ ОБЈЕКТИ: СО УПРАВУВАЊЕ СО ЕНЕРГИЈА И ВЕШТАЧКА ИНТЕЛИГЕНЦИЈА, ГЛОБАЛНАТА ПОТРОШУВАЧКА НА ЕНЕРГИЈА МОЖЕ ДА СЕ НАМАЛИ ЗА 30% А ЕМИСИИТЕ НА CO37 ЗА 2%
• Иновации и односи со клиентите - искуство и логичко-дедуктивна интелигенција

BlogInnovazione.it