AlphaEvolve AI i Google DeepMind po përshpejton kërkimin matematikor në një shkallë të paprecedentë, sipas një punës së re të botuar këtë javë nga bashkëpunëtorë, përfshirë matematikanin e njohur Terence Tao.
Hulumtimi tregon sesi agjenti i AI trajtoi 67 probleme sfiduese, duke rizbuluar zgjidhjet kryesore dhe duke gjetur ndërtime të reja për disa sfida të gjata për demonstrimin e punës njerëzore. matematikë. Ai përdor aftësinë e AI për të kërkuar hapësira të mëdha problematike për të gjeneruar njohuri që plotësojnë intuitën njerëzore, duke shpejtuar potencialisht rrugën drejt zgjidhjes së hamendësimeve të vështira.
Duke funksionuar ndryshe nga chatbot-et me qëllime të përgjithshme që shpesh luftojnë me ashpërsinë logjike, AlphaEvolve përdor një kornizë të strukturuar evolucionare. Funksionon si një”agjent kodues evolucionar gjenerik”, duke përdorur modele të mëdha gjuhësore si Gemini për të propozuar, testuar dhe përsëritur zgjidhjet alternative. Kjo punë bazohet në zbulimin fillestar të mjetit nga DeepMind në maj të vitit 2025. Sipas hulumtues,”…AlphaEvolve është një mjet i ri i fuqishëm zbulues për zgjidhjen e komplekseve të hapësirës, për të zgjidhur problemin e zbulimit të hapësirës. problemet e optimizimit në shkallë.” Në një postim të detajuar në blog, Tao shpjegoi se metoda thelbësore e AI përfshin evoluimin e kodit Python që kërkon një zgjidhje, në vend që të krijojë drejtpërdrejt objektin matematikor. Kjo”modalitet kërkimi”lejon një thirrje të vetme, të ngadaltë LLM të shkaktojë një llogaritje masive, të lira, ndërsa eksplorimi i miliona kërkimeve të tij mund të krijohet. Një”modalitet gjeneralizues”i kundërt i ngarkon AI-së të gjejë formula që funksionojnë për çdo numër të caktuar, duke synuar një zbatueshmëri më të gjerë. Fillimi në linjat e reja të kërkimit është jashtëzakonisht efikas me këtë proces. Studiuesit theksojnë se për shumë nga problemet që ata hulumtuan,”…mesatarisht koha e zakonshme e përgatitjes për konfigurimin e një problemi duke përdorur AlphaEvolve mori vetëm deri në disa orë.” Konfigurimi i tillë i shpejtë i lejon matematikanët të hetojnë sistematikisht klasa të mëdha problemesh që përndryshe do të kërkonin punë të gjerë llogaritëse, të porositur. Trajton problemet e hapura
Ndërsa sistemi rizbuloi me sukses zgjidhjet e njohura për shumicën e 67 problemeve, kontributi i tij më domethënës erdhi nga gjetja e qasjeve të reja. Kërkimi nxjerr në pah një ndërtim të ri, premtues për grupet Nikodym, i cili tashmë ka frymëzuar një punim të ardhshëm nga Tao. Për më tepër, AlphaEvolve zbuloi ndërtime të reja me përmirësime të rendit më të ulët për problemin e fushës së fundme Kakeya në dimensionet 3, 4 dhe 5. Përtej këtyre zonave shumë abstrakte, agjenti demonstroi gjithashtu shkathtësinë e tij në enigma gjeometrike më të prekshme. Ai rizbuloi me sukses”divanin e Gerverit”optimal për problemin klasik të”divanit lëvizës” dhe “Divan Romik” për variantin e tij dytekst. Për një version më kompleks 3D të problemit, AlphaEvolve prodhoi një konstruksion të ri me një vëllim të verifikuar rigorozisht prej të paktën 1.81, që studiuesit besojnë se tejkalon kandidatët e njohur më parë. Sistemet e shumta të fuqishme tregojnë se AI funksionojnë me sukses. AlphaEvolve fillimisht gjen një ndërtim premtues, të cilin një agjent si Deep Think, e njëjta teknologji pas fitimit të medaljes së artë të IMO nga DeepMind, mund ta analizojë më pas për të nxjerrë një provë të saktësisë së tij. I gjithë ky tubacion mund të kulmojë në verifikimin zyrtar, me një mjet si AlphaProof që përkthen procesin e provës së gjuhës natyrale gjithsesi në një makineri kërkon ekspertizë të konsiderueshme njerëzore për të udhëhequr UA dhe për të vërtetuar rezultatet e saj. Postimi në blog i Tao thekson se mjeti nuk është një matematikan autonom dhe është i prirur për të gjetur zgjidhje të zgjuara.”…Një sasi jo e parëndësishme e përpjekjeve njerëzore duhet të bëhet në hartimin e një verifikuesi të pashfrytëzueshëm,”shkroi ai. Përfundimisht, studiuesit e pozicionojnë AlphaEvolve jo si një zëvendësim për matematikanët e rinj njerëzorë, por si një partner të ri të fuqishëm kërkimor. Aftësia e tij për të testuar me shpejtësi idetë e bën atë një mjet ideal për eksplorimin fillestar. Siç vëren Tao,”Unë mund të imagjinoj mjete të tilla të jenë një”kontroll i shëndetshëm”i dobishëm kur propozon ndonjë hamendje të re.”Kërkimi sistematik i kundërshembujve”të dukshëm”ndihmon për të vërtetuar ose hedhur dyshime mbi idetë e reja përpara se të investohet një përpjekje e konsiderueshme njerëzore. Edhe dështimet e sistemit ofrojnë informacion të vlefshëm. Gazeta vë në dukje se në të 67 problemet,”…ne nuk hodhëm poshtë asnjë hamendje të madhe të hapur. Sigurisht, një shpjegim i dukshëm i mundshëm për këtë është se këto hamendje janë në fakt të vërteta.” Kjo qasje rigoroze, e bazuar në prova, bie në kontrast të fortë me ciklin e zhurmës së AI, i ilustruar së fundmi nga pretendimet e tërhequra të OpenAI-t për zgjidhjen e problemeve madhore të E bazuar në bashkëpunim me ekspertë të fushës, korniza e DeepMind duket e krijuar për të shmangur gracka të tilla. Puna me AlphaEvolve ndjek një sërë përparimesh legjitime në aplikimin e AI në matematikë, duke përfshirë sistemin AlphaGeometry2 që ia kalonte ekspertëve njerëzorë në problemet e gjeometrisë së Olimpiadës. Duke u fokusuar në shtimin e intuitës njerëzore në vend që të pretendojë të zgjidhë në mënyrë autonome dhe të qëndrueshme rolin e problemeve të AI-së, Alpha i qëndrueshëm për një AI-e. zbulim shkencor.
A Një lloj i ri i kontrollit të shëndetit: AI si një partner kërkimor
