W ramach prac badacze Google DeepMind zaprezentowali FunSearch, model sztucznej inteligencji (AI) zdolny do rozwiązywania skomplikowanych problemów matematycznych, które wcześniej uważano za nierozwiązywalne. Jak wynika z artykułu opublikowanego w Nature, jest to przełomowy moment, w którym po raz pierwszy zastosowano model dużego języka (LLM) do odkrycia rozwiązania długotrwałej zagadki naukowej, przedstawiając sprawdzalne i cenne nowe informacje, które były wcześniej nieznane.

W przeciwieństwie do konwencjonalnego poglądu, że LLM generują treści spekulacyjne, FunSearch kwestionuje to postrzeganie. To innowacyjne narzędzie pokazuje, że przy odpowiednim kierowaniu i selektywnym podejściu LLM rzeczywiście mogą dokonywać odkryć. FunSearch kontynuuje serię osiągnięć DeepMind w podstawowej matematyce i informatyce z wykorzystaniem sztucznej inteligencji, po przyspieszeniu obliczeń przez AlphaTensor i optymalizacji kluczowych algorytmów przez AlphaDev.

Czytaj więcej

W przeciwieństwie do swoich poprzedników, FunSearch przyjmuje unikalne podejście, łącząc duży model językowy o nazwie Codey z innymi systemami, które odrzucają nieprawidłowe odpowiedzi i integrują prawidłowe z powrotem w procesie. Zespół badawczy, kierowany przez Pushmeeta Kohli, wiceprezesa ds. badań w Google DeepMind, zastosował metodologię prób i błędów, umożliwiając FunSearch sugerowanie kodowych rozwiązań problemu pierwotnie zarysowanego w Pythonie.

Proces FunSearch polega na tym, że Codey proponuje kod do ukończenia programu, a drugi algorytm sprawdza i ocenia sugestie. Najlepsze pomysły, nawet jeśli początkowo nie są poprawne, są przekazywane Codeyowi, tworząc ciągłą pętlę udoskonaleń. Po milionach sugestii i kilku powtórzeniach FunSearch pomyślnie wygenerował kod zapewniający prawidłowe i nieznane wcześniej rozwiązanie problemu ustawienia limitu, złożonego problemu w czystej matematyce.

Problem limitu polega na określeniu największego rozmiaru określonego zbioru w teorii grafów, a jego rozwiązanie od lat wymyka się matematykom. Wyróżnia go zdolność FunSearch do tworzenia zrozumiałego i interpretowalnego przez człowieka kodu, oferując obiecujący paradygmat wykorzystania mocy dużych modeli językowych w różnych dziedzinach rozwiązywania problemów.

Wszechstronność FunSearch została dodatkowo zademonstrowana poprzez zastosowanie jej do problemu pakowania do pojemników, stanowiącego wyzwanie w matematyce i mającego zastosowanie w informatyce. FunSearch nie tylko znalazł rozwiązanie, ale także przewyższył metody opracowane przez człowieka, pokazując swój potencjał w różnych scenariuszach rozwiązywania problemów.

Choć matematycy uznają potrzebę ostrożnego włączania dużych modeli językowych do procesów badawczych, sukces FunSearch stanowi znaczący krok naprzód w wykorzystaniu możliwości sztucznej inteligencji do skutecznego rozwiązywania złożonych problemów.