سیستم هوش مصنوعی جدید دیپ‌مایند گوگل ادعا می‌کند در حل مسائل ریاضی و علمی مهارت دارد

آزمایشگاه تحقیق و توسعه هوش مصنوعی گوگل، دیپ‌مایند (DeepMind)، اعلام کرده است که یک سیستم هوش مصنوعی جدید برای حل مسائلی با راه‌حل‌های «قابل ارزیابی توسط ماشین» (machine-gradable) توسعه داده است.

دیپ‌مایند می‌گوید که در آزمایشات، این سیستم که آلفاایوولو (AlphaEvolve) نام دارد، می‌تواند به بهینه‌سازی بخشی از زیرساخت‌هایی که گوگل برای آموزش مدل‌های هوش مصنوعی خود استفاده می‌کند، کمک کند. این شرکت اعلام کرده در حال ساخت یک رابط کاربری برای تعامل با آلفاایوولو است و برنامه‌ریزی کرده تا پیش از عرضه احتمالی گسترده‌تر، یک برنامه دسترسی اولیه را برای دانشگاهیان منتخب راه‌اندازی کند.

اکثر مدل‌های هوش مصنوعی «توهم‌زا» (hallucinate) هستند. به دلیل معماری احتمالی آن‌ها، گاهی اوقات با اطمینان اطلاعاتی را از خود می‌سازند. آلفاایوولو یک مکانیسم هوشمندانه برای کاهش توهم معرفی می‌کند: یک سیستم ارزیابی خودکار. این سیستم از مدل‌ها برای تولید، نقد، و رسیدن به مجموعه‌ای از پاسخ‌های ممکن به یک سوال استفاده می‌کند و به طور خودکار پاسخ‌ها را برای دقت ارزیابی و امتیازدهی می‌کند.

آلفاایوولو اولین سیستمی نیست که از این رویکرد استفاده می‌کند. محققان، از جمله تیمی در دیپ‌مایند سال‌ها پیش، تکنیک‌های مشابهی را در زمینه‌های مختلف ریاضی به کار گرفته‌اند. اما دیپ‌مایند ادعا می‌کند که استفاده آلفاایوولو از مدل‌های «پیشرفته» (state-of-the-art) – به ویژه مدل‌های جِمینای (Gemini models) – آن را به طور قابل توجهی تواناتر از نمونه‌های قبلی هوش مصنوعی می‌کند.

برای استفاده از آلفاایوولو، کاربران باید مسئله‌ای را به سیستم ارائه دهند و به صورت اختیاری جزئیاتی مانند دستورالعمل‌ها، معادلات، قطعه کدها، و منابع مرتبط را اضافه کنند. آن‌ها همچنین باید مکانیزمی برای ارزیابی خودکار پاسخ‌های سیستم در قالب یک فرمول ارائه دهند.

از آنجا که آلفاایوولو تنها می‌تواند مسائلی را حل کند که قابلیت خودارزیابی دارند، این سیستم فقط می‌تواند با انواع خاصی از مسائل کار کند – به طور خاص آن‌هایی که در زمینه‌هایی مانند علوم کامپیوتر و بهینه‌سازی سیستم قرار می‌گیرند. در یک محدودیت مهم دیگر، آلفاایوولو تنها می‌تواند راه‌حل‌ها را به صورت «الگوریتم» (algorithms) توصیف کند و این باعث می‌شود برای مسائلی که عددی نیستند، مناسب نباشد.

برای معیارگذاری آلفاایوولو، دیپ‌مایند از سیستم خواست تا مجموعه‌ای انتخاب‌شده شامل حدود ۵۰ مسئله ریاضی را که شاخه‌هایی از هندسه تا ترکیبیات را در بر می‌گرفت، حل کند. دیپ‌مایند ادعا می‌کند که آلفاایوولو موفق شد ۷۵ درصد مواقع بهترین پاسخ‌های شناخته‌شده برای مسائل را «کشف مجدد» کند و در ۲۰ درصد موارد راه‌حل‌های بهبود یافته را پیدا کند.

دیپ‌مایند همچنین آلفاایوولو را بر روی مسائل عملی مانند افزایش بهره‌وری مراکز داده گوگل و سرعت بخشیدن به اجرای آموزش مدل‌ها ارزیابی کرد. به گفته این آزمایشگاه، آلفاایوولو الگوریتمی تولید کرد که به طور متوسط ۰.۷ درصد از منابع محاسباتی جهانی گوگل را به طور مداوم بازیابی می‌کند. این سیستم همچنین بهینه‌سازی‌ای پیشنهاد کرد که زمان کلی مورد نیاز گوگل برای آموزش مدل‌های جِمینای خود را ۱ درصد کاهش داد.

برای روشن شدن، آلفاایوولو اکتشافات پیشگامانه انجام نمی‌دهد. در یک آزمایش، این سیستم توانست بهبودی برای طراحی چیپ شتاب‌دهنده هوش مصنوعی TPU گوگل پیدا کند که پیش از این توسط ابزارهای دیگر شناسایی شده بود.

با این حال، دیپ‌مایند همان ادعایی را مطرح می‌کند که بسیاری از آزمایشگاه‌های هوش مصنوعی برای سیستم‌هایشان دارند: اینکه آلفاایوولو می‌تواند در زمان صرفه‌جویی کرده و متخصصان را برای تمرکز بر کارهای دیگر و مهم‌تر آزاد کند.