Google DeepMindin AlphaEvolve AI nopeuttaa matemaattista tutkimusta ennennäkemättömässä mittakaavassa uuden tutkimuksen mukaan, jonka yhteistyökumppanit, kuten tunnettu matemaatikko Terence Tao.
Tutkimus osoittaa, kuinka tekoälyagentti ratkaisi 67 haastavaa ongelmaa, löysi uudelleen huippuratkaisuja ja löysi uusia rakenteita useisiin pitkäaikaisiin haasteisiin.
Työ osoittaa tehokkaan uuden menetelmän ihmisen ja tekoälyn yhteistyöhön puhtaassa matematiikassa. Se käyttää tekoälyn kykyä etsiä laajoista ongelmatiloista luodakseen oivalluksia, jotka täydentävät ihmisen intuitiota, mikä saattaa nopeuttaa tietä kuuluisan vaikeiden olettamusten ratkaisemiseen.
Tutkimuspaperin mukaan”…AlphaEvolve on tehokas uusi työkalu matemaattisten avaruusongelmien optimointiin ja monimutkaisten avaruusongelmien ratkaisemiseen. asteikko.”
Yksityiskohtaisessa blogiviestissä Tao selitti, että tekoälyn ydinmenetelmään sisältyy ratkaisua etsivän Python-koodin kehittäminen sen sijaan, että luodaan suoraan matemaattinen objekti.
Tämä”hakutila”mahdollistaa yhden, hitaan LLM-kutsun käynnistää massiivisen ja halvan laskennan, kun luotu hakuheuristiikka tutkii miljoonia mahdollisuuksiaan. Vastakkainen”yleistämistila”antaa tekoälylle tehtäväksi löytää kaavoja, jotka toimivat mille tahansa numerolle, tavoitteena laajempi soveltuvuus.
Uusien tutkimuslinjojen aloittaminen on erittäin tehokasta tämän prosessin avulla. Tutkijat korostavat, että monissa heidän tutkimissaan ongelmissa”…tavallinen valmisteluaika ongelman määrittämiseen AlphaEvolvea käyttämällä kesti keskimäärin vain muutaman tunnin.”
Näin nopean asennuksen ansiosta matemaatikot voivat systemaattisesti tutkia suuria ongelmaluokkia, jotka muutoin edellyttäisivät laajaa, räätälöityä laskentatyötä. Ongelmia
Vaikka järjestelmä löysi onnistuneesti tunnetut ratkaisut useimpiin 67 ongelmaan, sen merkittävin panos tuli uusien lähestymistapojen löytämisestä.
Tutkimus korostaa uutta, lupaavaa Nikodym-sarjojen rakennetta, joka on jo inspiroinut Taon tulevaa artikkelia. Lisäksi AlphaEvolve löysi uusia rakenteita alemman kertaluokan parannuksilla äärellisen kentän Kakeya-ongelmaan dimensioissa 3, 4 ja 5.
Näiden erittäin abstraktien alueiden lisäksi agentti osoitti monipuolisuuttaan myös konkreettisemmissa geometrisissa pulmatehtävissä. Se löysi onnistuneesti uudelleen optimaalisen”Gerver-sohvan”klassiseen”liikkuva sohva”-ongelmaan ja sen kaksipuoleiselle versiolle.
Ongelman monimutkaisempaa 3D-versiota varten AlphaEvolve tuotti uuden rakenteen, jonka tiukasti vahvistettu tilavuus on vähintään 1,81, mikä tutkijoiden mielestä ylittää aiemmin tunnetut ehdokkaat.
Nämä onnistumiset esittelevät tehokkaan työnkulun, joka yhdistää useita erikoistuneita tekoälyjärjestelmiä. AlphaEvolve löytää ensin lupaavan rakenteen, jonka agentti, kuten Deep Think, sama tekniikka DeepMindin IMO:n kultamitalin voiton takana, voi sitten analysoida saadakseen todisteen sen oikeellisuudesta.
Tämä koko putkisto voi huipentua muodolliseen todentamiseen, jossa AlphaProof-työkalun kaltainen työkalu kääntää luonnollisen kielen todisteen koneellisesti tarkistettavaksi.
.
ohjaamaan tekoälyä ja validoimaan sen tuotoksia. Taon blogikirjoitus korostaa, että työkalu ei ole itsenäinen matemaatikko ja on taipuvainen löytämään älykkäitä ratkaisuja.”…hyödyttömän todentajan suunnitteluun tarvitaan ei-triviaali määrä ihmisen ponnisteluja”, hän kirjoitti.
Uudenlainen mielenterveystarkastus: tekoäly tutkimuskumppanina
Lopulta tutkijat eivät aseta AlphaEvolvea ihmismatemaatikoiden korvaajaksi, vaan tehokkaaksi uudenlaiseksi tutkimuskumppaniksi. Sen kyky testata ideoita nopeasti tekee siitä ihanteellisen työkalun alustavaan tutkimiseen.
Kuten Tao huomauttaa,”Voin kuvitella, että sellaiset työkalut ovat hyödyllinen”järkeyden tarkastus”, kun ehdotan uusia olettamuksia.””Ilmeisten”vastaesimerkkien järjestelmällinen etsiminen auttaa vahvistamaan uusia ideoita tai kyseenalaistamaan ne ennen kuin panostetaan merkittävästi ihmisiin.
Jopa järjestelmän virheet tarjoavat arvokasta tietoa. Lehti toteaa, että 67 ongelman osalta”…emme kiistäneet mitään suurta avointa olettamusta. Tietenkin yksi ilmeinen mahdollinen selitys tälle on, että nämä olettamukset ovat todellakin totta.”
Tämä tiukka, näyttöön perustuva lähestymistapa on jyrkästi ristiriidassa tekoälyhype-syklin kanssa, josta on äskettäin esimerkkinä OpenAI:n peruutetut väitteet suurten julkisten ongelmien ratkaisemisesta.
kilpailijoiden kritiikki, ja Google DeepMindin toimitusjohtaja Demis Hassabis kutsui tapausta”kiusaksi”.
Yhteistyössä toimialueen asiantuntijoiden kanssa kehitetty DeepMindin kehys näyttää suunniteltu välttämään tällaiset sudenkuopat. AlphaEvolven työskentely seuraa sarjaa oikeutettuja läpimurtoja tekoälyn soveltamisessa matematiikassa, mukaan lukien AlphaGeometry2-järjestelmä, joka ylitti ihmisasiantuntijat olympialaisten geometrian ongelmissa.
Keskitymällä ihmisen intuition vahvistamiseen sen sijaan, että se väittää ratkaisevansa ongelmia itsenäisesti, AlphaEvolve kartoittaa AI:n kestävämmän roolin
.
