DeepMind firmy Google rozwiązuje problemy matematyczne za pomocą sztucznej inteligencji

Niedawne postępy w zakresie dużych modeli językowych (LLM) sprawiły, że sztuczna inteligencja jest bardziej elastyczna, ale ma to wadę: błędy.

Generatywna sztuczna inteligencja ma tendencję do zmyślania, ale Google DeepMind wymyśliło nowy LLM, który trzyma się prawd matematycznych.

Firmowy FunSearch może rozwiązywać bardzo złożone problemy matematyczne.

W cudowny sposób generowane przez niego rozwiązania są nie tylko dokładne; są to zupełnie nowe rozwiązania, na które nie wpadł jeszcze żaden człowiek.

Szacowany czas czytania: 4 minuti

FunSearch nazywa się tak, ponieważ wyszukuje funkcje matematyczne, a nie dlatego, że sprawia przyjemność. Jednak niektórzy ludzie mogą uznać problem ograniczenia wartości za zabawny: matematycy nie mogą nawet zgodzić się co do tego, jak najlepiej go rozwiązać, co czyni go prawdziwą zagadką liczbową. DeepMind poczyniła już postępy w dziedzinie sztucznej inteligencji dzięki swoim modelom Alpha, takim jak AlphaFold (składanie białek), AlphaStar (StarCraft) i AlphaGo (gra w Go). Systemy te nie były oparte na LLM, ale ujawniły nowe koncepcje matematyczne.

Dzięki FunSearch, DeepMind zaczęło się od trybu dużego języka, wersji Google PaLM 2 o nazwie Codey. W pracy znajduje się drugi poziom LLM, który analizuje wyniki Codey i eliminuje nieprawidłowe informacje. Według badacza zespół odpowiedzialny za tę pracę nie wiedział, czy to podejście się sprawdzi, i nadal nie jest pewien, dlaczego DeepMind Alhusseina Fawziego.

Na początek inżynierowie z DeepMind stworzyli reprezentację problemu z limitem w Pythonie, ale pominęli linie opisujące rozwiązanie. Zadaniem Codeya było dodanie linii, które dokładnie rozwiązały problem. Następnie warstwa sprawdzania błędów ocenia rozwiązania Codey, aby sprawdzić, czy są dokładne. W matematyce wysokiego poziomu równania mogą mieć więcej niż jedno rozwiązanie, ale nie wszystkie są uważane za równie dobre. Z biegiem czasu algorytm identyfikuje najlepsze rozwiązania Codey i wstawia je z powrotem do modelu.

DeepMind pozwala FunSearch działać przez kilka dni, wystarczająco długo, aby wygenerować miliony możliwych rozwiązań. Pozwoliło to FunSearch na udoskonalenie kodu i uzyskanie lepszych wyników. Według nowo opublikowanych badań, L "sztuczna inteligencja znalazłem nieznane wcześniej, ale prawidłowe rozwiązanie problemu z zestawem czapek. DeepMind uwolnił także FunSearch od innego trudnego problemu matematycznego zwanego problemem pakowania kontenerów, algorytmu opisującego najbardziej efektywny sposób pakowania kontenerów. FunSearch znalazł rozwiązanie szybciej niż obliczyli to ludzie.

Matematycy wciąż mają trudności z włączeniem technologii LLM do swojej pracy i pracy DeepMind wskazuje możliwą ścieżkę, którą należy podążać. Zespół uważa, że ​​to podejście ma potencjał, ponieważ generuje kod komputerowy, a nie rozwiązanie. Często jest to łatwiejsze do zrozumienia i sprawdzenia niż surowe wyniki matematyczne.

Powiązane lektury

• Już nie tylko szczęście: futbol fantasy staje się modelem analizy. Fantalgoritmo narodziło się, gdy świat fantasy futbolu spotyka się z matematyką
• Gato, DeepMind i wyścig w kierunku ogólnej sztucznej inteligencji
• Czym jest Predictive Analytics i dlaczego ma znaczenie w biznesie
• ZRÓWNOWAŻONE BUDYNKI KOMERCYJNE: DZIĘKI ZARZĄDZANIU ENERGIĄ I SZTUCZNEJ INTELIGENCJI, GLOBALNE ZUŻYCIE ENERGII MOŻNA ZMNIEJSZYĆ O 30%, A EMISJĘ CO37 O 2%
• Innowacje i relacje z klientami – doświadczenie i inteligencja logiczno-dedukcyjna

BlogInnovazione.it