پیشرفت جدید در هوش مصنوعی: سیستم AlphaEvolve از DeepMind
استودیو تحقیق و توسعه هوش مصنوعی دیپ‌مایند (DeepMind) متعلق به گوگل اعلام کرده که موفق به توسعه یک سیستم هوش مصنوعی جدید به نام AlphaEvolve شده است که قادر به حل مسائل با راه‌حل‌های «قابل ماشین‌خواندن» است. بر اساس آزمایشات انجام شده، این سیستم می‌تواند به بهینه‌سازی زیرساخت‌هایی که گوگل برای آموزش مدل‌های هوش مصنوعی خود استفاده می‌کند، کمک کند.
دیپ‌مایند اعلام کرده که در حال ساخت یک رابط کاربری برای تعامل با AlphaEvolve است و قصد دارد یک برنامه دسترسی زودهنگام برای تعدادی از دانشگاهیان منتخب راه‌اندازی کند. این در حالی است که اکثر مدل‌های هوش مصنوعی به دلیل ساختارهای احتمالی خود، گاهاً اقدام به تولید اطلاعات نادرست می‌کنند. مدل‌های جدیدتری مانند o3 از اوپن‌ای آی (OpenAI) حتی بیشتر از مدل‌های قبلی دچار این مشکل می‌شوند که نشان‌دهنده پیچیدگی‌های موجود در این حوزه است.
AlphaEvolve یک مکانیزم هوشمند برای کاهش این مشکلات به نام «سیستم ارزیابی خودکار» ارائه می‌دهد. این سیستم با استفاده از مدل‌ها، پاسخ‌هایی برای سؤالات تولید، نقد و بررسی کرده و به یک مجموعه از پاسخ‌های ممکن می‌رسد و به طور خودکار آن‌ها را از نظر دقت ارزیابی و نمره‌دهی می‌کند. هرچند AlphaEvolve نخستین سیستمی نیست که از این رویکرد استفاده می‌کند، ولی دیپ‌مایند ادعا می‌کند که کاربرد مدل‌های «مدرن» به ویژه مدل‌های جمنای (Gemini) آن را به طور قابل توجهی توانمندتر از نمونه‌های قبلی کرده است.
برای استفاده از AlphaEvolve، کاربران باید مسئله‌ای را به سیستم پیشنهاد دهند و می‌توانند جزئیاتی مانند دستورالعمل‌ها، معادلات، قطعات کد و ادبیات مرتبط را نیز اضافه کنند. علاوه بر این، آن‌ها باید یک مکانیزم برای ارزیابی خودکار پاسخ‌های سیستم در قالب یک فرمول ارائه دهند. به دلیل اینکه AlphaEvolve تنها می‌تواند به مسائل قابل ارزیابی توسط خود پاسخ دهد، محدود به حل برخی مشکلات در حوزه‌هایی مانند علوم کامپیوتر و بهینه‌سازی سیستم‌ها است.
پیامد اصلی دیگر این است که AlphaEvolve تنها قادر است راه‌حل‌ها را به صورت الگوریتم توصیف کند، که آن را برای مسائل غیرعددنی مناسب نخواهد کرد. دیپ‌مایند برای ارزیابی عملکرد AlphaEvolve، این سیستم را به انجام مجموعه‌ای از 50 مسئله ریاضی در شاخه‌های مختلف از هندسه تا ترکیبیات واداشت. نتایج نشان داد که AlphaEvolve توانسته در 75% موارد بهترین پاسخ‌های شناخته شده را مجدداً کشف کند و در 20% موارد نیز راه‌حل‌های بهتری ارائه دهد.
این آزمایشات همچنین شامل مسائل عملی بود، مانند افزایش کارایی مراکز داده گوگل و سرعت بخشیدن به روند آموزش مدل‌ها. طبق ادعای دیپ‌مایند، AlphaEvolve الگوریتمی تولید کرده که به طور میانگین 0.7% از منابع محاسباتی جهانی گوگل را به‌طور مداوم بازیابی می‌کند و همچنین به بهینه‌سازی زمانی که برای آموزش مدل‌های جمنای گوگل صرف می‌شود، 1% کاهش داده است.
لازم به ذکر است که AlphaEvolve در حال ایجاد کشفیات انقلابی نیست. در یکی از آزمایش‌ها، این سیستم موفق به یافتن بهبودی در طراحی تراشه شتاب‌دهنده هوش مصنوعی TPU گوگل شد که قبلاً از سوی دیگر ابزارها شناسایی شده بود. با این حال، دیپ‌مایند این ادعا را مطرح می‌کند که AlphaEvolve می‌تواند زمان را صرفه‌جویی کرده و به کارشناسان این امکان را بدهد تا بر روی کارهای دیگر و مهم‌تر تمرکز کنند.