Каждый день мы слышим о новых достижениях в мире искусственного интеллекта. Но не все из них можно назвать настоящим прорывом.
FunSearch от Google DeepMind — это не просто очередная новость об ИИ. Это первый пример в истории, когда искусственный интеллект не просто переработал данные, а создал новые знания.
Это инструмент, который использует эволюционный подход для поиска решений сложных математических и практических задач. Он уже совершил открытие в математике, решив задачу, над которой учёные бились десятилетиями.
Это первое открытие, сделанное с помощью большой языковой модели (LLM). Именно их сейчас считают главным кандидатом на превращение в Общий искуственный интеллект (AGI), который сможет делать всё то, что может делать человек.
Это очень важный момент - FunSearch показывает, что ИИ может выходить за рамки того, что ему дали люди во время обучения. Он может сам решать задачи, с которыми люди ещё не справляются.
И это меняет наше понимание того, на что в принципе способен искусственный интеллект.
Решения, созданные FunSearch, концептуально намного богаче, чем просто список чисел. Когда я их изучаю, я узнаю что-то новое.
Джордан Элленберг, соавтор и профессор математики в Университете Висконсин-Мэдисон
Вот как это работает:
Пользователь описывает задачу в виде кода. Затем система генерирует несколько возможных решений и проверяет их. Лучшие программы остаются, а остальные отсекаются. Этот процесс повторяется снова и снова, пока не будет найдено оптимальное решение.
Этот подход делает FunSearch особенным. В отличие от других ИИ-методов, он не требует огромных вычислительных ресурсов для обучения нейронных сетей. Вместо этого он работает с уже существующими знаниями, добавляя новые шаги и улучшая их.
Именно это позволяет модели выходить за рамки того, что она "знает" на этапе обучения.
Одним из главных достижений FunSearch стало решение задачи множества кап Эта сложная математическая задача десятилетиями оставалась нерешённой. Известный математик Терренс Тао даже называл её своей любимой нерешённой проблемой.
Суть задачи в том, чтобы найти наибольшее множество точек в многомерной сетке, среди которых никакие три точки не лежат на одной прямой. То есть ни одну тройку точек нельзя соединить одной линией. Эта задача важна не только для теоретической математики, но и для практических задач в комбинаторике.
Решение обычными методами требует огромных вычислительных мощностей. Количество возможных вариантов так велико, что их больше, чем атомов во вселенной!
Однако FunSearch сгенерировал программы, которые смогли найти наибольшие множества кап, когда-либо обнаруженные. Это стало самым значительным прорывом в этой области за последние 20 лет.
Более того, FunSearch показал, что его подход работает быстрее и эффективнее, чем существующие вычислительные методы.
А вот другой пример.
После успеха с задачей множества кап, разработчики решили проверить гибкость FunSearch на реальной прикладной задаче — задаче "упаковки в ящики".
Она заключается в том, чтобы как можно эффективнее упаковать предметы разного размера в минимальное количество контейнеров. Здесь множество применений в реальной жизни: от логистики и транспортировки товаров до распределения вычислительных ресурсов в дата-центрах.
Обычно задача "упаковки в ящики" решается с помощью алгоритмов, основанных на правилах на основе человеческого опыта. Однако каждая конкретная ситуация может сильно отличаться по размерам предметов, объёмам и другим условиям. Это делает создание универсальных правил довольно сложным.
FunSearch справился с задачей быстро и эффективно. Он создал программу, которая автоматически адаптировалась к данным и смогла лучше упаковать предметы, используя меньше ящиков.
Одним из ключевых преимуществ FunSearch перед другими ИИ-методами является то, что это не просто "чёрный ящик", который выдаёт решения. Результат работы можно детально изучить и понять.
И это только начало.
Со временем FunSearch будет становиться ещё лучше благодаря общему прогрессу в развитии больших языковых моделей.
Таким путём идёт не только Google. К примеру, команда из Sakana AI в сотрудничестве с Университетами Оксфорда и Британской Колумбии разработала модель "AI Scientist".
Эта система самостоятельно проводит научные исследования и делает открытия. Она может генерировать идеи, проводить эксперименты, анализировать результаты и даже писать научные статьи:
AI Scientist предложил новые подходы в области машинного обучения: модели диффузии и улучшенные алгоритмы для языковых моделей. Другой заметный пример: исследование в области трансформеров, в котором ИИ разработал адаптивные скорости обучения с помощью Q-learning.
Все эти открытия опубликованы в форме научных статей, которые система самостоятельно написала и оценила. Вот так выглядит результат:
Всё идёт к тому, что уже скоро ИИ станет не просто помощником человека, а полноценным партнёром в научных открытиях.
Будет ли это выгодное и равноправное партнёрство? Не станет ли развитие именно таких программ последним изобретением человечества? Об этом выйдет следующей ролик на моём YouTube канале. Подписывайтесь, чтобы не пропустить!
