استخدمت Google DeepMind مرة أخرى نماذج لغة كبيرة”https://www.technologyreview.com/2023/12/14/1085318/google-deepmind-large-language-model-solve-unsolvable-math-problem-cap-set/”> اكتشف حلولًا جديدة للمشاكل الطويلة الأمد في الرياضيات وعلوم الكمبيوتر. هذه المرة أظهرت الشركة أن نهجها لا يمكن أن يعالج الألغاز النظرية التي لم يتم حلها فحسب ، بل يمكن”https://nam12.safelinks.protection.outlook.com/?url=https%3A%2F%2Fstorage.googleapis.com%2Fdeepmind-media%2FDeepMind.com%2FBlog%2Falphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms%2FAlphaEvolve.pdf&data=05%7C02%7C%7C458e82d89d154a9ba95908dd92f1f822%7C961f23f8614c4756bafff1997766a273%7C1%7C0%7C638828290168370375%7CUnknown%7CTWFpbGZsb3d8eyJFbXB0eU1hcGkiOnRydWUsIlYiOiIwLjAuMDAwMCIsIlAiOiJXaW4zMiIsIkFOIjoiTWFpbCIsIldUIjoyfQ%3D%3D%7C0%7C%7C%7C&sdata=6rsapYeywM3YmE%2BGHMGvbsx8s5S9jYoR6%2BK1YxImV88%3D&reserved=0″> تحسين مجموعة من عمليات العالم الواقعي المهمة أيضًا.
تستخدم أداة Google DeepMind الجديدة ، التي تسمى Alphaevolve ، عائلة Gemini 2.0 من نماذج اللغة الكبيرة (LLMS) لإنتاج رمز لمجموعة واسعة من المهام المختلفة. من المعروف أن LLMs”https://www.technologyreview.com/2025/01/20/1110180/the-second-wave-of-ai-coding-is-here”> ضرب وفقد في الترميز. تويست هنا هو أن Alphaevolve يسجل كل من اقتراحات Gemini ، وطرد السيئة والتبديل الخير ، في عملية تكرارية ، حتى أنتج أفضل خوارزمية يمكنها. في كثير من الحالات ، تكون النتائج أكثر كفاءة أو أكثر دقة من أفضل الحلول الموجودة (المكتوب على الإنسان).
يقول Pushmeet Kohli ، نائب الرئيس في Google Deepmind الذي يقود الذكاء الاصطناعي لفرق العلوم: “يمكنك أن ترى ذلك كنوع من وكيل الترميز الفائق”. “إنه لا يقترح فقط قطعة من الكود أو التحرير ، بل ينتج في الواقع نتيجة ربما لم يكن أحد على دراية به.”
على وجه الخصوص ، توصل Alphaevolve إلى طريقة لتحسين البرنامج الذي تستخدمه Google لتخصيص وظائف لملايين الخوادم العديدة في جميع أنحاء العالم. تدعي Google DeepMind أن الشركة تستخدم هذا البرنامج الجديد عبر جميع مراكز البيانات الخاصة بها لأكثر من عام ، مما يفرج عن 0.7 ٪ من إجمالي موارد الحوسبة في Google. قد لا يبدو ذلك كثيرًا ، ولكن على نطاق Google إنه ضخم.
يعجب جاكوب موسكباور ، عالم الرياضيات بجامعة وارويك بالمملكة المتحدة. يقول إن الطريقة التي يبحث بها Alphaevolve عن الخوارزميات التي تنتج حلولًا محددة – بدلاً من البحث عن الحلول نفسها – تجعلها قوية بشكل خاص. يقول: “إنه يجعل النهج ينطبق على مجموعة واسعة من المشكلات”. “أصبحت الذكاء الاصطناعى أداة ستكون ضرورية في الرياضيات وعلوم الكمبيوتر.”
يواصل Alphaevolve خطًا من العمل الذي تتابعه Google DeepMind لسنوات. رؤيتها هي أن الذكاء الاصطناعي يمكن أن تساعد في تعزيز المعرفة الإنسانية عبر الرياضيات والعلوم. في عام 2022 ، طورت Alphatensor ، وهو نموذج وجد أ”https://www.technologyreview.com/2022/10/05/1060717/deepmind-uses-its-game-playing-ai-to-best-a-50-year-old-record-in-computer-science/”> طريقة أسرع لحل مضاعفات المصفوفة- وهي مشكلة أساسية في علوم الكمبيوتر – تصل إلى سجل كان قد وقف لأكثر من 50 عامًا. في عام 2023 ، كشفت Alphadev ، التي اكتشفت”https://www.technologyreview.com/2023/06/07/1074184/google-deepmind-game-ai-alphadev-algorithm-code-faster/#:~:text=DeepMindchosetoworkwith,intobeforeitisrun.”> طرق أسرع لإجراء عدد من الحسابات الأساسية تؤديها أجهزة الكمبيوتر تريليونات المرات في اليوم. يقوم كل من Alphatensor و Alphadev بتحويل مشكلات الرياضيات إلى نوع من الألعاب ، ثم البحث عن سلسلة من التحركات الفائزة.
البحث ، الذي وصل في أواخر عام 2023 ،”https://www.technologyreview.com/2023/12/14/1085318/google-deepmind-large-language-model-solve-unsolvable-math-problem-cap-set/”> تبادل الذكاء الاصطناعي للعب اللعبة واستبدله بـ LLMS يمكن أن تولد رمز. نظرًا لأن LLMS يمكن أن تنفذ مجموعة من المهام ، يمكن أن تواجه Funsearch مجموعة متنوعة من المشكلات من أسلافها ، والتي تم تدريبها على لعب نوع واحد فقط من الألعاب. تم استخدام الأداة لكسر مشكلة شهيرة لم تحل في الرياضيات الخالصة.
Alphaevolve هو الجيل القادم من Funsearch. بدلاً من الخروج بمقتطفات قصيرة من التعليمات البرمجية لحل مشكلة محددة ، كما فعلت Funsearch ، يمكن أن تنتج برامج تتراوح طولها بين مئات الخطوط. هذا يجعله قابلاً للتطبيق على مجموعة متنوعة أوسع من المشكلات.
من الناحية النظرية ، يمكن تطبيق Alphaevolve على أي مشكلة يمكن وصفها في الكود ولديها حلول يمكن تقييمها بواسطة الكمبيوتر. يقول Matej Balog ، الباحث في Google Deepmind الذي يقود فريق Discovery الخوارزمية: “تدير الخوارزميات العالم من حولنا ، وبالتالي فإن تأثير ذلك ضخم”.
بقاء الأصلح
إليك كيفية عمله: يمكن مطالبة Alphaevolve مثل أي LLM. امنحها وصفًا للمشكلة وأي تلميحات إضافية تريدها ، مثل الحلول السابقة ، وسيحصل Alphaevolve على فلاش Gemini 2.0 (أصغر وأسرع إصدار من LLM من Google DeepMind) لإنشاء كتل متعددة من التعليمات البرمجية لحل المشكلة.
ثم يأخذ هذه الحلول المرشحة ، ويديرها لمعرفة مدى دقة أو كفاءة ، ويسجلها وفقًا لمجموعة من المقاييس ذات الصلة. هل ينتج هذا الرمز النتيجة الصحيحة؟ هل يعمل بشكل أسرع من الحلول السابقة؟ وهلم جرا.
ثم يأخذ Alphaevolve أفضل ما في الدفعة الحالية من الحلول ويطلب من Gemini تحسينها. في بعض الأحيان ، ستلقي Alphaevolve حلًا سابقًا في المزيج لمنع Gemini من الوصول إلى طريق مسدود.
عندما تتعثر ، يمكن لـ Alphaevolve أيضًا استدعاء Gemini 2.0 Pro ، أقوى LLMs من Google DeepMind. تتمثل الفكرة في توليد العديد من الحلول باستخدام فلاش أسرع ولكن إضافة حلول من المؤيد الأبطأ عند الحاجة.
تستمر جولات التوليد والتسجيل والتجديد هذه حتى تفشل الجوزاء في التوصل إلى أي شيء أفضل مما لديه بالفعل.
ألعاب الأرقام
اختبر الفريق Alphaevolve على مجموعة من المشكلات المختلفة. على سبيل المثال ، نظروا إلى مضاعفة المصفوفة مرة أخرى لمعرفة كيف أداة للأغراض العامة مثل Alphaevolve مقارنة مع Alphatensor المتخصصة. المصفوفات هي شبكات من الأرقام. يعد تكاثر المصفوفة حسابًا أساسيًا يدعم العديد من التطبيقات ، من الذكاء الاصطناعي إلى رسومات الكمبيوتر ، ومع ذلك لا أحد يعرف أسرع طريقة للقيام بذلك. يقول بالوج: “إنه أمر لا يصدق أنه لا يزال سؤالًا مفتوحًا”.
أعطى الفريق Alphaevolve وصفًا للمشكلة ومثال لخوارزمية قياسية لحلها. لم تنتج الأداة خوارزميات جديدة يمكنها حساب 14 أحجامًا مختلفة من المصفوفة بشكل أسرع من أي نهج موجود ، بل تحسنت أيضًا على نتيجة قياسية Alphatensor لمضاعفة اثنين من المصفوفات بأربعة أرباح.
يقول Balog إن Alphaevolve سجل 16000 مرشح اقترحه Gemini لإيجاد الحل الفائز ، لكن هذا لا يزال أكثر كفاءة من Alphensor. يعمل حل Alphatensor أيضًا فقط عندما تمتلئ مصفوفة بـ 0s و 1s. Alphaevolve يحل المشكلة مع الأرقام الأخرى أيضًا.
يقول موسكباور: “النتيجة على مضاعفة المصفوفة مثيرة للإعجاب للغاية”. “هذه الخوارزمية الجديدة لديها القدرة على تسريع الحسابات في الممارسة.”
يوافق مانويل كويرز ، عالم الرياضيات بجامعة يوهانس كيبلر في لينز ، النمسا ، على ما يلي: “من المحتمل أن يكون للتحسن في المصفوفات أهمية عملية”.
من الصدفة ، استخدم Kauers وزميله للتو تقنية حسابية مختلفة للعثور على بعض Speedups Alphaevolve. نشر الزوج أ”https://arxiv.org/pdf/2505.05896″> ورقة على الانترنت الإبلاغ عن نتائجهم الأسبوع الماضي.
يقول Kauers: “من الرائع أن نرى أننا نتقدم إلى الأمام مع فهم تكاثر المصفوفة”. “كل تقنية تساعد هي مساهمة مرحب بها في هذا الجهد.”
مشاكل العالم الحقيقي
كان الضرب المصفوفة مجرد اختراق واحد. في المجموع ، اختبرت Google Deepmind Alphaevolve على أكثر من 50 نوعًا مختلفًا من ألغاز الرياضيات المعروفة ، بما في ذلك المشكلات في تحليل فورييه (الرياضيات وراء ضغط البيانات ، ضرورية للتطبيقات مثل تدفق الفيديو) ، والحد الأدنى من مشكلة التداخل (مشكلة مفتوحة في نظرية العدد التي اقترحها علماء الرياضيات ، والكيمياء ، والكيمياء. تطابق Alphaevolve مع أفضل الحلول الموجودة في 75 ٪ من الحالات ووجد حلولًا أفضل في 20 ٪ من الحالات.
ثم طبقت Google Deepmind Alphaevolve على حفنة من مشاكل العالم الحقيقي. بالإضافة إلى التوصل إلى خوارزمية أكثر كفاءة لإدارة الموارد الحسابية عبر مراكز البيانات ، وجدت الأداة وسيلة لتقليل استهلاك الطاقة من رقائق وحدة معالجة الموتر المتخصصة في Google.
حتى أن Alphaevolve وجد طريقة لتسريع تدريب الجوزاء نفسها ، من خلال إنتاج خوارزمية أكثر كفاءة لإدارة نوع معين من الحساب المستخدم في عملية التدريب.
تخطط Google DeepMind لمواصلة استكشاف التطبيقات المحتملة لأداةها. أحد القيود هو أنه لا يمكن استخدام Alphaevolve لمشاكل الحلول التي يجب تسجيلها من قبل شخص ما ، مثل التجارب المعملية التي تخضع للتفسير.
يشير Moosbauer أيضًا إلى أنه على الرغم من أن Alphaevolve قد ينتج عنه نتائج جديدة مثيرة للإعجاب عبر مجموعة واسعة من المشكلات ، إلا أنها تعطي نظرة نظرية قليلة على كيفية وصولها إلى تلك الحلول. هذا عيب عندما يتعلق الأمر بتقدم الفهم البشري.
ومع ذلك ، يتم تعيين أدوات مثل Alphaevolve لتغيير طريقة عمل الباحثين. يقول كولي: “لا أعتقد أننا انتهينا”. “هناك الكثير مما يمكننا الذهاب إليه من حيث مدى قوة هذا النوع من النهج”.