AlphaEvolve, новая платформа искусственного интеллекта от Google DeepMind, позволяет решать сложные математические задачи и другие научные проблемы. В отличие от обычных чат-ботов, которые также могут создавать алгоритмы, AlphaEvolve обладает большей универсальностью и использует эволюционный подход для оптимизации работы и повышения точности в различных областях применения.
Для совершения научных открытий или создания новых алгоритмов необходим продолжительный и трудоемкий процесс, включающий генерацию идей, исследование, тестирование и верификацию. В последнее время большие языковые модели (LLM) позволили существенно сократить время, затрачиваемое на эти этапы. Тем не менее, несмотря на создание все более совершенных моделей, их применение на практике и решение сложных задач пока ограничено.
Большинство научных разработок в области искусственного интеллекта, включая инструмент AlphaFold от Google DeepMind, предназначенные для проектирования белков, по-прежнему используют алгоритмы, созданные для решения конкретных задач. Таким образом, даже несмотря на высокую эффективность, универсальность существующих алгоритмов остаётся ограниченной.
AlphaEvolve создана для решения этой проблемы, в первую очередь, благодаря самостоятельной разработке алгоритмов, необходимых для решения сложных задач в различных научных дисциплинах. Марио Кренн, директор лаборатории искусственных наук в Институте световых наук Макса Планка в Эрлангене (Германия), отмечает: «AlphaEvolve представляет собой первую успешную демонстрацию новых открытий, основанных на больших языковых моделях общего назначения».
Эволюционные принципы, применимы в различных сферах деятельности
AlphaEvolve разработан на базе линейки LLM Gemini от Google DeepMind. Фактически, это ИИ-агент, специализирующийся на программировании, но обладающий более широкими возможностями, чем обычный чат-бот, работающий на Gemini. Стандартный Gemini подвержен риску выдачи недостоверной информации, поскольку склонен к придумыванию деталей из-за своей вероятностной природы. AlphaEvolve, в свою очередь, использует систему самооценки для повышения точности создаваемых алгоритмов.
Сначала вводится вопрос, а также определяются критерии оценки и предлагается решение. После этого модель создает множество вариантов, используя Gemini Flash, оптимизированный для производительности, и Gemini Pro, ориентированный на точность. Затем алгоритм оценки анализирует каждое предложение, сопоставляя модификации с показателями эффективности предлагаемого решения – например, при распределении ИТ-рабочих мест или для снижения нерационального использования ресурсов).
LLM генерирует новые идеи, опираясь на наиболее удачные варианты. Благодаря эволюционному подходу, инструмент фокусируется на лучших решениях и совершенствует их в соответствии с запросами пользователя. «Со временем он разрабатывает набор всё более эффективных алгоритмов», — объясняет Матей Балог, специалист по ИИ в Google DeepMind и соавтор исследования. «Мы исследуем это разнообразие возможных решений».
AlphaEvolve использует эволюционный подход, основанный на системе FunSearch, разработанной компанией для решения математических задач, состязаясь при этом с человеком. Однако AlphaEvolve способен создавать значительно более объемные программы и не ограничивается исключительно математическими задачами.
Генеративные системы, лежащие в основе данной технологии, используют операции умножения матриц. Этот метод, разработанный математиком Фолькером Штрассеном в 1969 году, признан наиболее эффективным для умножения матриц размером 4×4. Он предполагает выполнение операций с числами, расположенными в сетках 4×4, и широко применяется при обучении нейронных сетей.
Согласно информации, предоставленной Google DeepMind, AlphaEvolve создала более эффективную методику. Этот инструмент, разработанный для широкого спектра задач, по утверждению разработчиков, превзошел AlphaTensor, модель, изначально созданную компанией для решения задач, связанных с матричной механикой. Это, в свою очередь, способно улучшить производительность генеративного искусственного интеллекта, что является ключевым фактором для обеспечения экономической целесообразности этой технологии.
Увеличение производительности вычислительных ресурсов в центрах обработки данных
Инженеры Google DeepMind использовали AlphaEvolve для управления центрами обработки данных. ИИ предложил усовершенствовать конструкцию тензорных процессоров (TPU) нового поколения, разработанных для решения сложных задач машинного обучения. Кроме того, он предложил изменения, которые позволят увеличить производительность центров обработки данных и сократить потребление ресурсов во всем мире на 0,7 %, что дает существенное конкурентное преимущество.
AlphaEvolve прошла тестирование на пятидесяти математических задачах, охватывающих, в том числе, комбинаторную геометрию. В 75 % случаев она успешно воспроизводила известные ответы, а в 20 % случаев предлагала более эффективные решения.
Несмотря на меньшие требования к вычислительным ресурсам, AlphaTensor пока что остается сложным инструментом для широкого применения. Тем не менее, компания намерена доработать его, чтобы повысить универсальность и гибкость. Google планирует предоставить ученым возможность раннего доступа к инструменту, а также расширить его функциональность для решения задач из различных областей, в том числе из естественных наук.