Ember helyett a DeepMind modellje tett lépés egy matekprobléma megoldásában

Megoldást dolgozott ki az egyik legnehezebb ismert matematikai problémára a Google mesterséges intelligencia fejlesztő csapata a Deep Mind nyelvi modellje, a FunSearch.

Tudásunk szerint ez az első tudományos felfedezés – igazolható megoldás egy hírhedt tudományos problémára -–amit egy LLM használatával értek el

– fogalmaztak a Nature hasábjain az eredményt bemutató kutatás szerzői.

Az eredmény még kiemelkedőbb, ha figyelembe vesszük, hogy a GPT, a Bard, és más nyelvi modellek eddig nem az okosságukról voltak híresek, hanem arról, hogy hetet-havat összehordanak. Nem úgy a FunSearch, amelynek neve nem szórakozást, hanem matematikai funkciót kereső alkalmazást takar.

Nem volt a betanításhoz használt adatokban, egyáltalán nem volt ismert

– mondta a problémáról Pushmeet Kohli, a kutatás egyik szerzője és a DeepMind alelnöke.

Az úgynevezett cap set probléma egy kombinatorikai kérdés, amelyet Set kártyajáték ihletett, és lényege, hogy hány pontot lehet felrajzolni anélkül, hogy három pont között egyenest tudnánk rajzolni. Aki a feladványt átgondolva kifehéredő bütykökkel szorította a szék karfáját, most lazíthat egy kicsit: mi emberek egyelőre nem tudtuk megoldani a problémát, a matematikusok eddig csak alacsonyabb dimenziókban találtak megoldást. 

A problémáról még annyit, hogy a matematika legrangosabb díja, a Fields-érem 2006-os díjazottja Terence Tao kedvenc problémájának nevezte.

A FunSearch sem talált végső döntő megoldást, de olyan tényeket, amik a tudomány számára eddig ismeretlenek voltak, igen.

A FunSearch érdekes fordulat a DeepMind munkájában, semmiképp sem az első áttörés a matematika és informatika területén. Korábbi alkotásaik, az AlphaTensor és az AlpheDev kódok és algoritmusok felgyorsításában remekeltek. A különböző emberi játékok kiismerésére fejlesztett AlphaZerot is bevetették, hátha talál valamit, ha a matematikát egy bonyolult játéknak tekinti. A gond az volt, hogy ezek a mesterséges intelligenciák mind 

A FunSearch úgy tett túl ezeken, hogy a Google PaLM 2 nyelvi modelljének számítógépes kódokra optimalizált változatához, a Codeyhoz mellékelt prompt generáló és válasz értékelő segédletből áll. Ez a matrjoska-baba szerű konstrukció lényegében egy nyelvi modell alapú kreativ eszköz - a kutatók egyszerűen egy olyan programot kértek tőle, ami a problémát Python programnyelvben megoldja. Az eszköz tud még egy tudományos szempontból fontos dolgot: leírja, hogy milyen gondolatmenet során jutott a megoldásra. Ez a mesterséges intelligenciáknál nem kézenfekvő, mivel az esetek többségében nem tudható, hogy milyen módon jutnak el a megoldáshoz.

A FunSearch algoritmusa tehát addig dobálta vissza a válaszokat Codeynak, amíg használható válaszokat nem kapott – így kísérelt meg megoldani olyan problémákat, amikről nem volt előzetes ismerete. A több millió leselejtezett válaszból így jutottak el egy tucatnyi elgondolkodtató felvetéshez.

A fejlesztők nem tudják miért pont egy nyelvi modellt sikerült matematikus mesterséges intelligenciává fejleszteni, de ezzel olyan paradigmát hoztak létre, amit más matematikai problémák megoldására is felhasználnak a közeljövőben.

(MIT Technology Review, Nature, The Next Web)