Nový Google AI Chatbot řeší komplexní matematiku a vědu
Systém Google DeepMind vylepšuje návrhy čipů a řeší nevyřešené matematické problémy, ale nebyl zaveden vědcům mimo společnost
Deepmind říká, že Alphaevolve pomohl zlepšit design AI čipů.
Google DeepMind použil Chatbot modely, aby přišel s řešeními hlavních problémů v matematice a informatice.
Systém zvaný Alphaevolve kombinuje kreativitu velkého jazykového modelu (LLM) s algoritmy, které mohou kontrolovat návrhy modelu filtrovat a zlepšovat řešení. Bylo to popsáno v bílé knize Vydáno společností 14. května.
„Příspěvek je docela velkolepý,“ říká Mario Krenn, který vede laboratoř umělé vědce v Institutu Max Plancka pro Science of Light v Německu Erlangen. „Myslím, že Alphaevolve je první úspěšnou demonstrací nových objevů založených na obecném účelu LLM.“
O podpoře vědecké žurnalistiky
Pokud se vám tento článek líbí, zvažte podporu naší oceněné žurnalistiky předplatné. Zakoupením předplatného pomáháte zajistit budoucnost působivých příběhů o objevech a myšlenkách, které dnes formují náš svět.
Stejně jako používání systému k objevování řešení pro otevření matematických problémů, DeepMind již aplikoval techniku umělé inteligence (AI) na své vlastní praktické výzvy, říká PushMeet Kohli, vedoucí vědy ve firmě v Londýně.
Alphaevolve pomohl zlepšit návrh příští generace jednotek pro zpracování Tensoru – výpočetní čipy vyvinuté speciálně pro AI – a našla způsob, jak efektivněji využívat celosvětovou výpočetní kapacitu Google, což ušetří 0,7% celkových zdrojů. „To mělo podstatný dopad,“ říká Kohli.
Obecně účetní AI
Většina úspěšných aplikací AI ve vědě zatím – včetně Nástroj navrhující proteiny Alphafold -Zahrnoval algoritmus učení, který byl pro svůj úkol ručně vytvořen, říká Krenn. Alphaevolve je však obecně účelem a využívá schopnosti LLMS generovat kód k řešení problémů v široké škále domén.
DeepMind popisuje Alphaevolve jako „agenta“, protože zahrnuje použití interagujících modelů AI. Zaměřuje se však na jiný bod ve vědeckém procesu od mnoha jiných „agentických“ AI Science systémy, které byly použity Zkontrolujte literaturu a navrhnout hypotézy.
Alphaevolve je založena na firmě Gemini rodiny LLMS. Každý úkol začíná tím, že uživatel zadá otázku, kritéria pro vyhodnocení a navrhovaným řešením, pro které LLM navrhuje stovky nebo tisíce úprav. Algoritmus „hodnotitele“ poté hodnotí úpravy proti metrikám pro dobré řešení (například v úkolu přiřazení výpočetních úloh společnosti Google, vědci chtějí plýtvat méně zdroji).
Na základě toho, která řešení jsou považována za nejlepší, LLM navrhuje nové myšlenky a v průběhu času se systém vyvíjí populaci silnějších algoritmů, říká Matej Balog, vědec AI v Deepmind, který vedl výzkum. „Zkoumáme tuto rozmanitou sadu možností, jak lze problém vyřešit,“ říká.
Alphaevolve staví Funsearch System firmycož bylo v roce 2023 prokázáno, že používá podobný evoluční přístup k překonání lidí v nevyřešených problémech v matematice. Ve srovnání s FunSearch dokáže Alphaevolve zvládnout mnohem větší kusy kódu a řešit složitější algoritmy napříč širokou škálou vědeckých domén, říká Balog.
DeepMind říká, že Alphaevolve přišel s způsobem, jak provést výpočet, známý jako násobení matice, že v některých případech je v některých případech rychlejší než nejrychlejší metoda, kterou vyvinula německý matematik Volker Strassen v roce 1969. Takové výpočty zahrnují multicování čísel v mřížkách a používají se k tréninku neurálních sítí. Přestože je všeobecný účel, Alphaevolve překonal Alfatensor, nástroj AI popsaný firmou v roce 2022 a navržený speciálně pro mechaniku matice.
Tento přístup by mohl být použit k řešení problémů s optimalizací, říká Krenn nebo kdekoli ve vědě, kde existují konkrétní metriky nebo simulace k vyhodnocení toho, co dělá dobré řešení. To by mohlo zahrnovat navrhování nových mikroskopů, dalekohledu nebo dokonce materiálů, dodává.
Úzké aplikace
V matematice se zdá, že Alphaevolve umožňuje významné zrychlení při řešení některých problémů, říká Simon Frieder, matematik a výzkumný pracovník AI na Oxfordské univerzitě ve Velké Británii. Pravděpodobně to však bude aplikováno pouze na „úzký řez“ úkolů, které lze prezentovat jako problémy, které mají být vyřešeny prostřednictvím kódu, říká.
Ostatní vědci si vyhrazují úsudek o užitečnosti nástroje, dokud nebyla zkoušena mimo DeepMind. „Dokud nebudou systémy testovány širší komunitou, zůstal bych skeptický a vzal hlášené výsledky se zrnkem soli,“ říká Huan Sun, výzkumný pracovník umělé inteligence na Ohio State University v Columbusu. Frieder říká, že bude čekat, až vědci znovu vytvoří verzi s otevřeným zdrojovým kódem, spíše než se spoléhat na proprietární systém DeepMind, který by mohl být stažen nebo změněn.
Přestože Alphaevolve vyžaduje běh méně výpočetní energie než alfatensor, je stále příliš náročný na zdroje, aby byl na servery DeepMind dostupný volně dostupný, říká Kohli.
Společnost však doufá, že oznámení systému povzbudí výzkumné pracovníky, aby navrhli oblasti vědy, ve kterých je třeba aplikovat alfaevolve. „Určitě jsme odhodláni zajistit, aby k tomu získal přístup nejvíce lidí ve vědecké komunitě,“ říká Kohli.
Tento článek je reprodukován se svolením a byl poprvé publikováno 14. května 2025.
