Присоединяйтесь к нашим ежедневным и еженедельным информационным бюллетеням для последних обновлений и эксклюзивного контента в лидирующем отраслевом освещении ИИ. Узнать больше
Google DeepMind сегодня вернул занавес обратно на Alphaevolve, агента искусственно-интеллектуального, который может изобретать совершенно новые компьютерные алгоритмы, а затем поставить их прямо в работу в обширную вычислительную империю компании.
Alphaevolve соединяет модели Google Gemini крупных языков с эволюционным подходом, который автоматически тестирует, совершенствует и улучшает алгоритмы. Система уже была развернута в центрах обработки данных Google, проектирования чипов и систем обучения искусственного интеллекта — повышение эффективности и решение математических задач, которые на протяжении десятилетий были оторванными исследователями.
«Alphaevolve-это агент по кодированию ИИ с Близнецом, который может сделать новые открытия в области вычислительной и математики»,-объяснил Матж Балог, исследователь Google DeepMind, в интервью VentureBeat. «Он может обнаружить алгоритмы замечательной сложности — охватывая сотни строк кода с сложными логическими структурами, которые выходят далеко за пределы простых функций».
Система значительно расширяет предыдущую работу Google с Funsearch, развивая целые кодовые базы, а не отдельные функции. Он представляет собой серьезный скачок в способности ИИ разрабатывать сложные алгоритмы как для научных проблем, так и для повседневных вычислительных проблем.
Inside Google 0,7% повышения эффективности: как A-созданные A-создание алгоритмы управляют центрами обработки данных компании
Alphaevolve тихо работает внутри Google более года. Результаты уже значительны.
Одним из алгоритмов, который он обнаружил, было питание Borg, массивной системы управления кластерами Google. Эта эвристика планирования непрерывно восстанавливает в среднем 0,7% всемирных вычислительных ресурсов Google — ошеломляющий прирост эффективности в масштабе Google.
Обнаружение непосредственно нацелена на «застрявшие ресурсы» — машины, в которых закончился один тип ресурса (например, память), в то же время имея другие (например, ЦП). Решение Alphaevolve особенно ценно, потому что оно создает простой, читаемый человеком код, который инженеры могут легко интерпретировать, отлаживать и развернуть.
Агент ИИ не остановился в центрах обработки данных. Он переписал часть дизайна аппаратного обеспечения Google, находя способ устранить ненужные биты в важнейшей арифметической схеме для тензоров -обработке (TPU). Дизайнеры TPU подтвердили изменение правильности, и теперь он направляется в предстоящий дизайн чипа.
Возможно, наиболее впечатляюще, Alphaevolve улучшила те самые системы, которые питаются. Он оптимизировал ядро размножения матрицы, используемое для обучения моделей Близнецов, достигнув 23% ускорения для этой операции и сокращения общего времени обучения на 1%. Для систем искусственного интеллекта, которые обучаются на массовых вычислительных сетях, этот прирост эффективности приводит к существенной экономии энергии и ресурсов.
«Мы пытаемся определить критические произведения, которые могут быть ускорены и оказывают как можно больше влияния», — сказал Александр Новиков, еще один исследователь DeepMind, в интервью VentureBeat. «Мы смогли оптимизировать практическое время бега (жизненно важное ядро) на 23%, что привело к 1% сквозной экономии на всей учебной карте Близнецов».
Разрушение 56-летней записи умножения матрицы Страсена: ИИ решает то, что люди не могут
Alphaevolve решает математические проблемы, которые десятилетиями оторвались от людей, при этом продвигая существующие системы.
Система разработала новую процедуру оптимизации на основе градиента, которая обнаружила несколько новых алгоритмов умножения матрицы. Одно открытие свергло математическую запись, которая стояла 56 лет.
«Честно говоря, то, что мы обнаружили, так это то, что Alphaevolve, несмотря на то, что является более общей технологией, получила даже лучшие результаты, чем альфатенсор», — сказал Балог, ссылаясь на предыдущую систему умножения матрицы DeepMind. «Для этих четырех на четыре матрица Alphaevolve нашел алгоритм, который впервые в этой обстановке превосходит алгоритм Страсена с 1969 года».
Прорыв позволяет умножать два комплексных матрица 4 × 4, используя 48 скалярных умножений вместо 49-открытие, которое ускользнуло от математиков со времен знаковой работы Volker Strassen. Согласно исследовательской работе, Alphaevolve «улучшает состояние искусства для 14 алгоритмов умножения матрицы».
Математический охват системы выходит далеко за рамки умножения матрицы. При тестировании на более чем 50 открытых задач в математическом анализе, геометрии, комбинаторике и теории чисел, Alphaevolve соответствовал современным решениям примерно в 75% случаев. Примерно в 20% случаев это улучшило самые известные решения.
Одна победа оказалась в «проблеме с номером поцелуев»-многовековой геометрической задачей, чтобы определить, сколько непересекающих сфер может одновременно коснуться центральной сферы. В 11 измерениях Alphaevolve обнаружила конфигурацию с 593 сферами, побив предыдущую запись 592.
Как это работает: модели языка Gemini плюс эволюция создать фабрику цифрового алгоритма
То, что отличает Alphaevolve от других систем кодирования искусственного интеллекта, — это его эволюционный подход.
Система развертывает как Flash, так и Gemini (для скорости), так и Gemini Pro (для глубины), чтобы предложить изменения в существующем коде. Эти изменения проверяются автоматизированными оценщиками, которые оценивают каждое изменение. Самые успешные алгоритмы затем направляют следующий раунд эволюции.
Alphaevolve не просто генерирует код из своих учебных данных. Он активно исследует пространство решений, обнаруживает новые подходы и совершает их в результате автоматического процесса оценки — создание решений, которые люди, возможно, никогда не задумали.
«Одна из важнейшей идеи в нашем подходе заключается в том, что мы сосредоточены на проблемах с четкими оценщиками. Для любого предлагаемого решения или части кода мы можем автоматически проверить ее достоверность и измерить его качество», — пояснил Новиков. «Это позволяет нам установить быстрые и надежные петли обратной связи для улучшения системы».
Этот подход особенно ценен, потому что система может работать над любой проблемой с четкой метрикой оценки — будь то энергоэффективность в центре обработки данных или элегантность математического доказательства.
От облачных вычислений до обнаружения лекарств: где ИИ Google, инвентационный, идет дальше.
В настоящее время в настоящее время развернута в инфраструктуре Google и математических исследованиях, потенциал Alphaevolve охватывает гораздо дальше. Google DeepMind представляет приложения в области материальных наук, обнаружения лекарств и других областей, требующих сложных алгоритмических решений.
«Лучшее сотрудничество с человеком-AI может помочь решить открытые научные проблемы, а также применить их в масштабе Google»,-сказал Новиков, подчеркивая совместный потенциал системы.
Google DeepMind в настоящее время разрабатывает пользовательский интерфейс со своей исследовательской группой People + AI и планирует запустить программу раннего доступа для выбранных академических исследователей. Компания также изучает более широкую доступность.
Гибкость системы знаменует собой значительное преимущество. Балог отметил, что «по крайней мере, ранее, когда я работал в исследованиях машинного обучения, это не был мой опыт, что вы могли бы создать научный инструмент и сразу же увидеть реальное воздействие в этом масштабе. Это довольно необычно».
По мере продвижения крупных языковых моделей, возможности Alphaevolve будут расти вместе с ними. Система демонстрирует интригующую эволюцию в самом искусственном интеллекте — начиная с цифровых ограничений серверов Google, оптимизируя очень оборудование и программное обеспечение, которое дает ему жизнь, и теперь достигая наружного, чтобы решить проблемы, которые бросали вызов человеческому интеллекту на протяжении десятилетий или столетия.
Источник
