„Google DeepMind“ padalinys, atsakingas už dirbtinio intelekto kūrimą, paskelbė sukūręs naują DI sistemą, pavadintą „AlphaEvolve“, skirtą spręsti užduotis, kurių sprendimai gali būti apdorojami mašininiu būdu. Kūrėjai tiki, kad šis algoritmas padės optimizuoti infrastruktūrą, naudojamą „Google“ didelių kalbos modelių (LLM) mokymui.
Pranešime teigiama, kad šiuo metu „DeepMind“ kuria vartotojo sąsają „AlphaEvolve“ sistemai. Baigus šį procesą, prieiga prie DI algoritmo bus suteikta ribotam tyrėjų skaičiui, o vėliau – platesnei auditorijai.
Dauguma DI modelių kartais „haliucinuoja“ dėl savo tikimybinės architektūros: jie kai kada išgalvoja faktus. Įdomu, kad naujesni DI algoritmai, tokie kaip „OpenAI o3“, haliucinuoja dažniau nei jų pirmtakai, o tai rodo problemos sudėtingumą.
Kovai su haliucinacijomis „AlphaEvolve“ įdiegta speciali automatinė vertinimo sistema. Ji naudoja DI modelius atsakymų generavimui, kritikai ir galimų atsakymų rinkinio formavimui, taip pat automatiškai įvertina šių atsakymų tikslumą.
„AlphaEvolve“ nėra pirmoji sistema, taikanti tokį metodą. Įvairūs tyrėjai, įskaitant „DeepMind“ komandą, jau kelerius metus naudoja panašius metodus skirtingose matematikos srityse. Tačiau „DeepMind“ teigia, kad „AlphaEvolve“, naudojanti „pažangiausius“ modelius, tokius kaip „Gemini“, yra gerokai galingesnė už ankstesnius analogus.
Vartotojo sąveika su „AlphaEvolve“ prasideda nuo užduoties formulavimo. Vartotojas gali pridėti daugiau detalių, įskaitant instrukcijas, lygtis, kodo fragmentus ir atitinkamą literatūrą. Taip pat būtina pateikti automatinio atsakymų vertinimo mechanizmą, pavyzdžiui, formulę.
Kadangi „AlphaEvolve“ gali spręsti tik tas užduotis, kurių sprendimų tikslumą ji pati gali įvertinti, sistema tinka tik tam tikrų tipų užduotims, ypač informatikos ir sistemų optimizavimo srityse. Dar vienas reikšmingas apribojimas – sistema sprendimus aprašo tik algoritmų pavidalu, todėl ji mažai tinkama ne skaitmeninėms užduotims spręsti.
Testavimo metu „AlphaEvolve“ sprendė apie 50 matematinių užduočių, apimančių įvairias sritis – nuo geometrijos iki kombinatorikos. DI sistema 75 % atvejų sugebėjo „atkurti“ jau žinomus sprendimus ir 20 % atvejų rado patobulintus sprendimų variantus. „DeepMind“ taip pat išbandė sistemą praktinėse užduotyse, tokiose kaip Google duomenų centrų efektyvumo didinimas ir DI modelių mokymo pagreitinimas. Pasak kūrėjų, „AlphaEvolve“ sukūrė algoritmą, kuris leido atgauti 0,7 % „Google“ skaičiavimo resursų visame pasaulyje. Sistema taip pat pasiūlė optimizavimo variantą, kuris sutrumpino „Gemini“ modelių šeimos mokymo laiką 1 %.
Pažymėtina, kad „AlphaEvolve“ kol kas nepadarė proveržio atradimų. Viename eksperimente sistema pasiūlė „Google“ TPU DI greitintuvo dizaino patobulinimą, kuris anksčiau jau buvo rastas naudojant kitus algoritmus. Vis dėlto „DeepMind“, kaip ir daugelis kitų DI kūrėjų, pabrėžia, kad „AlphaEvolve“ taupo laiką, leisdamasi specialistams sutelkti dėmesį į kitas užduotis.
Paieška archyve
