Google DeepMind е разработила програма за изкуствен интелект, която може да надмине човешките решения в областта на математиката и програмирането. Новият инструмент, наречен AlphaEvolve не само се справя с теоретични проблеми, но и подобрява критични процеси в реалния свят.
Технологията се основава на необичаен принцип: системата използва AI модели Gemini 2.0 за създаване на програмен код, а след това методично подобрява получените варианти.
След като анализира всяко решение, AlphaEvolve избира обещаващи резултати и ги изпраща за преразглеждане, като отхвърля неуспешните опити. Процесът продължава, докато не бъде намерен оптималният алгоритъм.
Резултатите от тестовете са впечатляващи: AlphaEvolve управлява разпределението на изчислителните задачи между милиони сървъри на Google в продължение на повече от година. Оптимизацията е освободила 0,7% от общия капацитет на центровете за данни на компанията – икономия, която в световен мащаб се равнява на работата на няколко големи сървърни комплекса.
AlphaEvolve е особено успешен в решаването на редица фундаментални проблеми в математиката. Сред тях е оптимизирането на матричните изчисления, без които е невъзможно да си представим съвременния изкуствен интелект и създаването на компютърна графика.
Матрицата е правоъгълна таблица с числа, като нейният ред се определя от броя на редовете и колоните. Системата анализира 16 хиляди варианта на програмен код и разработи по-ефективни начини за умножение на такива таблици с четиринадесет различни размера. Най-голям успех бе постигнат при работа с квадратни матрици от четвърти ред – таблици с размер 4×4 елемента. Предишният алгоритъм, създаден от системата AlphaTensor можеше да работи само с двоични стойности (нули и единици), докато новият метод се справя с произволни числа.
В сферата на анализа на Фурие (математическа теория, която описва всеки сигнал като комбинация от прости вълни с различни честоти) AlphaEvolve е подобрила алгоритмите за преобразуване на данни. Тези изчисления са в основата на съвременните формати за компресиране на мултимедия, благодарение на които музиката и видеото заемат по-малко място на носителя, като същевременно запазват високо качество.
Системата е постигнала напредък и в решаването на класическия проблем за минимално припокриване, формулиран от математика Пол Ердьош през 1955 година. Задачата включва намирането на най-малкия брой цели числа, необходими за това всички възможни суми от тях да покриват даден диапазон от стойности, без да се прескачат. Това е важно за оптимизиране на различни изчислителни процеси.
Напредъкът в решаването на проблема за целуващите числа, поставен за първи път от Исак Нютон заслужава специално внимание.
Преди много години ученият си задава въпроса: колко еднакви топки могат едновременно да докоснат централна топка с еднакъв размер? Отговорът на този на пръв поглед прост въпрос ни помага да разберем принципите на плътното подреждане на атомите в кристалите и да създадем по-добри алгоритми за криптиране.
Технологията използва двуетапен подход за генериране на решения. Първо, Gemini 2.0 Flash генерира много варианти на кода. След това по-мощната версия Gemini 2.0 Pro анализира сложни случаи, при които се изисква задълбочено разбиране на проблема. Системата постоянно сравнява новите резултати с предишните, като понякога се връща към по-ранни версии, за да избегне задънени пътища на разработката.
В дисциплините по математика невронната мрежа е тествана върху 50 класически задачи с различна сложност. В 75% от случаите новата е сравнима със съществуващите методи за решаване на математически задачи, а в 20% ги превъзхожда, като предлага оригинални подходи.
Какво е мнението на научната общност за това? Математици от университета „Йоханес Кеплер“ в Австрия са публикували статия, в която се описват оптимизации за умножение на матрици. Използвайки напълно различен изчислителен подход, те независимо са стигнали до някои от същите решения, които AlphaEvolve е открила. „Чудесно е да се види как напредваме в разбирането на матричното умножение“, отбелязва професор Мануел Кауерс. – Всеки метод, който помага за това, е добре дошъл принос към общите усилия.“
Пушмит Кохли, ръководител на отдела за изкуствен интелект за науката в Google DeepMind, обяснява гъвкавостта на технологията по следния начин: системата може да се справи с всеки проблем, който може да бъде формализиран под формата на програма, и автоматично да провери резултатите. Единственото ограничение са проблеми, които изискват субективна оценка, като например анализ на двусмислени данни от лабораторни тестове.
Матей Балог, ръководител на екипа за разработка, сравнява новия инструмент с неговите предшественици. За разлика от FunSearch, създаден преди една година и способен да пише само малки програми за специфични изчисления, AlphaEvolve генерира мащабни алгоритми в стотици редове. Това му позволява да покрива много по-широк кръг от научни и практически проблеми.
В същото време някои британски изследователи посочват един съществен недостатък: въпреки че системата намира ефективни решения, тя не обяснява логиката на своите действия.
Това затруднява теоретичното осмисляне на получените резултати и тяхното по-нататъшно развитие с човешки усилия. Въпреки това практическата стойност на технологията е неоспорима – тя вече помага за оптимизиране на критични процеси в мащаба на най-големите компютърни инфраструктури в света.
Екипът на DeepMind продължава да усъвършенства нейното развитие. Най-близките планове включват разширяване на библиотеката от основни алгоритми и подобряване на механизмите на взаимодействие между бързите и дълбоките модели на ИИ.
Всичко важно от света на технологиите, директно в пощата ти.
С абонирането приемате нашите Условия и Политика за поверителност. Може да се отпишете с един клик по всяко време.
Коментирайте статията в нашите Форуми. За да научите първи най-важното, харесайте страницата ни във Facebook, и ни последвайте в Google Новини, TikTok, Telegram и Viber или изтеглете приложението на Kaldata.com за Android, iPhone, Huawei, Google Chrome, Microsoft Edge и Opera!
