Η DeepMind ισχυρίζεται ότι το νεότερο εργαλείο τεχνητής νοημοσύνης της είναι ειδικός στα μαθηματικά και τα επιστημονικά προβλήματα

Το εργαστήριο Ε&Α AI της Google DeepMind αναφέρει ότι ανέπτυξε ένα νέο σύστημα AI για την αντιμετώπιση προβλημάτων με «μηχανικά αναβαθμίσιμες» λύσεις.

Σε πειράματα, το σύστημα, που ονομάζεται AlphaEvolve, θα μπορούσε να βοηθήσει στη βελτιστοποίηση ορισμένων από τις υποδομές που χρησιμοποιεί η Google για την εκπαίδευση των μοντέλων AI της, δήλωσε η DeepMind. Η εταιρεία λέει ότι κατασκευάζει μια διεπαφή χρήστη για την αλληλεπίδραση με το AlphaEvolve και σχεδιάζει να ξεκινήσει ένα πρόγραμμα πρώιμης πρόσβασης για επιλεγμένους ακαδημαϊκούς πριν από μια πιθανή ευρύτερη εξάπλωση.

Τα περισσότερα μοντέλα τεχνητής νοημοσύνης έχουν παραισθήσεις. Λόγω της πιθανολογικής αρχιτεκτονικής τους, επινοούν με αυτοπεποίθηση πράγματα μερικές φορές. Στην πραγματικότητα, τα νεότερα μοντέλα τεχνητής νοημοσύνης, όπως το o3 της OpenAI, έχουν περισσότερες παραισθήσεις από τους προκατόχους τους, γεγονός που καταδεικνύει την προκλητική φύση του ζητήματος.

Το AlphaEvolve εισάγει έναν έξυπνο μηχανισμό για τον περιορισμό των ψευδαισθήσεων: ένα σύστημα αυτόματης αξιολόγησης. Το σύστημα χρησιμοποιεί μοντέλα για να δημιουργήσει, να κριτικάρει και να καταλήξει σε μια δεξαμενή πιθανών απαντήσεων σε μια ερώτηση, και αξιολογεί και βαθμολογεί αυτόματα τις απαντήσεις ως προς την ακρίβειά τους.

Το AlphaEvolve δεν είναι το πρώτο σύστημα που ακολουθεί αυτή την προσέγγιση. Ερευνητές, συμπεριλαμβανομένης μιας ομάδας της DeepMind πριν από αρκετά χρόνια, έχουν εφαρμόσει παρόμοιες τεχνικές σε διάφορους μαθηματικούς τομείς. Όμως η DeepMind ισχυρίζεται ότι η χρήση των μοντέλων «τελευταίας τεχνολογίας» του AlphaEvolve – συγκεκριμένα των μοντέλων Gemini – το καθιστά σημαντικά πιο ικανό από προηγούμενες περιπτώσεις τεχνητής νοημοσύνης.

Για να χρησιμοποιήσουν το AlphaEvolve, οι χρήστες πρέπει να ζητήσουν από το σύστημα ένα πρόβλημα, συμπεριλαμβάνοντας προαιρετικά λεπτομέρειες όπως οδηγίες, εξισώσεις, αποσπάσματα κώδικα και σχετική βιβλιογραφία. Πρέπει επίσης να παρέχουν έναν μηχανισμό για την αυτόματη αξιολόγηση των απαντήσεων του συστήματος με τη μορφή ενός τύπου.

Επειδή το AlphaEvolve μπορεί να επιλύσει μόνο προβλήματα που μπορεί να αυτοαξιολογήσει, το σύστημα μπορεί να λειτουργήσει μόνο με ορισμένους τύπους προβλημάτων – συγκεκριμένα σε τομείς όπως η επιστήμη των υπολογιστών και η βελτιστοποίηση συστημάτων. Σε έναν άλλο σημαντικό περιορισμό, το AlphaEvolve μπορεί να περιγράψει τις λύσεις μόνο ως αλγόριθμους, καθιστώντας το ανεπαρκές για προβλήματα που δεν είναι αριθμητικά.

Για τη συγκριτική αξιολόγηση του AlphaEvolve, η DeepMind έβαλε το σύστημα να επιχειρήσει ένα επιμελημένο σύνολο περίπου 50 μαθηματικών προβλημάτων που καλύπτουν κλάδους από τη γεωμετρία έως τη συνδυαστική. Το AlphaEvolve κατάφερε να «ξαναβρεί» τις πιο γνωστές απαντήσεις στα προβλήματα στο 75% του χρόνου και να αποκαλύψει βελτιωμένες λύσεις στο 20% των περιπτώσεων, υποστηρίζει η DeepMind.

Η DeepMind αξιολόγησε επίσης το AlphaEvolve σε πρακτικά προβλήματα, όπως η ενίσχυση της αποδοτικότητας των κέντρων δεδομένων της Google και η επιτάχυνση των εκτελέσεων εκπαίδευσης μοντέλων. Σύμφωνα με το εργαστήριο, το AlphaEvolve δημιούργησε έναν αλγόριθμο που ανακτά συνεχώς το 0,7% των παγκόσμιων υπολογιστικών πόρων της Google κατά μέσο όρο. Το σύστημα πρότεινε επίσης μια βελτιστοποίηση που μείωσε το συνολικό χρόνο που χρειάζεται η Google για να εκπαιδεύσει τα μοντέλα Gemini κατά 1%.

Για να είμαστε σαφείς, το AlphaEvolve δεν κάνει επαναστατικές ανακαλύψεις. Σε ένα πείραμα, το σύστημα μπόρεσε να βρει μια βελτίωση για το σχεδιασμό του τσιπ επιταχυντή AI TPU της Google που είχε επισημανθεί από άλλα εργαλεία νωρίτερα.

Η DeepMind, ωστόσο, προβάλλει την ίδια υπόθεση που κάνουν πολλά εργαστήρια AI για τα συστήματά τους: ότι το AlphaEvolve μπορεί να εξοικονομήσει χρόνο, ενώ απελευθερώνει τους ειδικούς για να επικεντρωθούν σε άλλες, πιο σημαντικές εργασίες.

Πηγή TechCrunch