برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
Google DeepMind امروز پرده را به Alphaevolve ، یک عامل هوشمندانه مصنوعی که می تواند الگوریتم های رایانه ای جدید را اختراع کند ، عقب کشید-سپس آنها را مستقیماً برای کار در داخل امپراتوری محاسبات گسترده شرکت قرار داد.
Alphaevolve مدل های بزرگ زبان Gemini Google را با یک رویکرد تکاملی جفت می کند که الگوریتم ها را به طور خودکار آزمایش ، اصلاح و بهبود می بخشد. این سیستم قبلاً در مراکز داده Google ، Designs Chip و سیستم های آموزش AI مستقر شده است – افزایش کارایی و حل مشکلات ریاضی که برای ده ها سال محققان را تحت الشعاع قرار داده است.
Matej Balog ، محقق Google DeepMind ، در مصاحبه با VentureBeat توضیح داد: “Alphaevolve یک عامل برنامه نویسی AI با قدرت جمینی است که قادر به اکتشافات جدید در محاسبات و ریاضیات است.” “این می تواند الگوریتم هایی با پیچیدگی قابل توجه را کشف کند – صدها خط کد با ساختارهای منطقی پیشرفته که بسیار فراتر از عملکردهای ساده هستند.”
این سیستم به طور چشمگیری کار قبلی Google را با Funsearch با تکامل کل کد های کد به جای توابع واحد گسترش می دهد. این یک جهش بزرگ در توانایی هوش مصنوعی در توسعه الگوریتم های پیشرفته برای چالش های علمی و مشکلات محاسبات روزمره است.
در داخل افزایش 0.7 ٪ راندمان Google: چگونه الگوریتم های ساخته شده AI مراکز داده شرکت را اداره می کنند
Alphaevolve بیش از یک سال است که بی سر و صدا در Google کار می کند. نتایج در حال حاضر قابل توجه است.
یک الگوریتمی که کشف کرده است ، در حال قدرت گرفتن Borg ، سیستم مدیریت عظیم خوشه Google است. این اکتشافی برنامه ریزی به طور متوسط 0.7 ٪ از منابع محاسباتی در سراسر جهان Google را به طور مداوم بازیابی می کند – یک افزایش بهره وری حیرت انگیز در مقیاس Google.
این کشف به طور مستقیم “منابع رشته ای” را هدف قرار می دهد – ماشینهایی که از یک نوع منبع (مانند حافظه) خارج شده اند در حالی که هنوز دیگران (مانند CPU) در دسترس هستند. راه حل Alphaevolve به ویژه با ارزش است زیرا کد ساده و قابل خواندن با انسانی تولید می کند که مهندسان می توانند به راحتی تفسیر ، اشکال زدایی و استقرار را انجام دهند.
نماینده هوش مصنوعی در مراکز داده متوقف نشده است. این بخشی از طراحی سخت افزار Google را بازنویسی می کند و راهی برای از بین بردن بیت های غیر ضروری در یک مدار حسابی مهم برای واحدهای پردازش تانسور (TPU) پیدا می کند. طراحان TPU تغییر را برای صحت تأیید کردند و اکنون به یک طراحی تراشه آینده می روند.
شاید به طرز چشمگیر ، Alphaevolve سیستم هایی را که خود قدرت می دهد بهبود بخشد. این هسته ضرب ماتریس را که برای آموزش مدلهای جمینی استفاده می شود ، بهینه کرد و به سرعت 23 ٪ برای آن عملیات و برش زمان آموزش کلی 1 ٪ رسید. برای سیستم های هوش مصنوعی که در شبکه های محاسباتی عظیم آموزش می بینند ، این بهره وری به انرژی قابل توجهی و صرفه جویی در منابع ترجمه می شود.
الکساندر نوویکوف ، یکی دیگر از محققان DeepMind ، در مصاحبه ای با VentureBeat گفت: “ما سعی می کنیم قطعات مهمی را که می توانند شتاب بگیرند شناسایی کنیم و تا آنجا که ممکن است تأثیر داشته باشیم.” “ما توانستیم 23 ٪ زمان اجرای عملی (یک هسته حیاتی) را بهینه کنیم ، که به 1 ٪ پس انداز پایان به پایان در کل کارت آموزش جمینی تبدیل شد.”
رکورد ضرب ماتریس 56 ساله استراسن: هوش مصنوعی آنچه را که انسان نمی توانست حل کند
Alphaevolve مشکلات ریاضی را حل می کند که در حالی که سیستم های موجود را پیش می برد ، متخصصان انسان را برای ده ها سال به سر می برد.
این سیستم یک روش بهینه سازی مبتنی بر شیب جدید را طراحی کرده است که چندین الگوریتم ضرب ماتریس جدید را کشف کرده است. یک کشف رکورد ریاضی را که 56 سال در آن ایستاده بود سرنگون کرد.
Balog با اشاره به سیستم ضرب تخصصی ماتریس قبلی DeepMind گفت: “آنچه ما به نظر ما صادقانه بودیم ، این است که Alphaevolve ، با وجود داشتن یک فناوری کلی تر ، نتایج بهتری نسبت به Alphatensor به دست آورد.” “برای این چهار به چهار ماتریس ، Alphaevolve الگوریتمی پیدا کرد که از سال 1969 برای اولین بار در آن تنظیم از الگوریتم استراسن پیشی می گیرد.”
این دستیابی به موفقیت اجازه می دهد تا دو ماتریس با ارزش 4 × 4 با استفاده از 48 ضرب مقیاس به جای 49 ضرب شود-کشف که ریاضیدانان را از زمان کار برجسته ولکر استراسن دور کرده بود. طبق مقاله تحقیق ، Alphaevolve “وضعیت هنر را برای الگوریتم های ضرب ماتریس 14 بهبود می بخشد.”
دسترسی ریاضی سیستم بسیار فراتر از ضرب ماتریس است. هنگامی که در برابر بیش از 50 مشکل باز در تجزیه و تحلیل ریاضی ، هندسه ، ترکیبات و نظریه تعداد آزمایش شد ، Alphaevolve در حدود 75 ٪ موارد ، راه حل های پیشرفته را با هم مطابقت داد. در حدود 20 ٪ موارد ، با بهترین راه حل های شناخته شده بهبود یافته است.
یک پیروزی در “مشکل شماره بوسه” به دست آمد-یک چالش هندسی قرن قرن برای تعیین اینکه چه تعداد حوزه های واحد غیر همپوشانی می توانند به طور همزمان یک کره مرکزی را لمس کنند. در 11 بعد ، Alphaevolve پیکربندی را با 593 حوزه پیدا کرد و رکورد قبلی 592 را شکست.
چگونه کار می کند: مدل های زبان جمینی به علاوه تکامل یک کارخانه الگوریتم دیجیتال ایجاد کنید
آنچه Alphaevolve را با سایر سیستم های برنامه نویسی هوش مصنوعی متفاوت می کند ، رویکرد تکاملی آن است.
این سیستم هر دو Gemini Flash (برای سرعت) و Gemini Pro (برای عمق) را برای پیشنهاد تغییرات در کد موجود مستقر می کند. این تغییرات توسط ارزیابان خودکار که هر تنوع را به دست می آورند ، آزمایش می شوند. موفق ترین الگوریتم ها سپس دور بعدی تکامل را راهنمایی می کنند.
Alphaevolve فقط از داده های آموزشی خود کد تولید نمی کند. این به طور فعال فضای راه حل را بررسی می کند ، رویکردهای جدید را کشف می کند و آنها را از طریق یک فرآیند ارزیابی خودکار تصفیه می کند – ایجاد راه حل هایی که انسان هرگز تصور نمی کرد.
نوویکوف توضیح داد: “یک ایده مهم در رویکرد ما این است که ما بر روی مشکلات با ارزیاب های شفاف تمرکز می کنیم. برای هر راه حل یا کد پیشنهادی ، می توانیم به طور خودکار اعتبار آن را تأیید کرده و کیفیت آن را اندازه گیری کنیم.” “این به ما امکان می دهد حلقه های بازخورد سریع و قابل اعتماد را برای بهبود سیستم ایجاد کنیم.”
این رویکرد به ویژه ارزشمند است زیرا سیستم می تواند بر روی هرگونه مشکل با یک معیار ارزیابی واضح کار کند – خواه این راندمان انرژی در یک مرکز داده باشد یا ظرافت یک اثبات ریاضی.
از محاسبات ابری گرفته تا کشف مواد مخدر: جایی که الگوریتم موجود در AI Google به مرحله بعدی می رود
در حالی که در حال حاضر در زیرساخت های Google و تحقیقات ریاضی مستقر شده است ، پتانسیل Alphaevolve بسیار بیشتر می شود. Google DeepMind برنامه های کاربردی را در علوم مواد ، کشف مواد مخدر و سایر زمینه هایی که نیاز به راه حل های پیچیده الگوریتمی دارند ، پیش بینی می کند.
نوویکوف ، با اشاره به پتانسیل مشترک این سیستم گفت: “بهترین همکاری انسانی و آه می تواند به حل چالش های علمی باز و همچنین استفاده از آنها در مقیاس Google کمک کند.”
Google DeepMind اکنون در حال ایجاد رابط کاربری با تیم تحقیقاتی People + AI خود است و قصد دارد یک برنامه دسترسی اولیه را برای محققان دانشگاهی منتخب راه اندازی کند. این شرکت همچنین در حال بررسی در دسترس بودن گسترده تر است.
انعطاف پذیری سیستم یک مزیت قابل توجه را نشان می دهد. بالگ خاطرنشان کرد: “حداقل قبلاً ، وقتی من در تحقیقات یادگیری ماشین کار کردم ، این تجربه من نبود که بتوانید یک ابزار علمی بسازید و بلافاصله تأثیر دنیای واقعی را در این مقیاس مشاهده کنید. این کاملاً غیرمعمول است.”
با پیشرفت مدل های بزرگ زبان ، قابلیت های Alphaevolve در کنار آنها رشد خواهد کرد. این سیستم یک تکامل جذاب در خود هوش مصنوعی را نشان می دهد – با شروع در محدوده دیجیتالی سرورهای گوگل ، بهینه سازی سخت افزار و نرم افزاری که به آن زندگی می کند ، و اکنون به بیرون رسیده است تا مشکلات را که عقل انسانی را برای دهه ها یا قرن ها به چالش کشیده است ، برساند.