Modelle haben unbestreitbar revolutioniert, wie viele von uns sich dem Codieren nähern, aber sie sind oft eher ein Superpraktikum als ein erfahrener Architekt. Fehler, Fehler und Halluzinationen treten ständig auf, und es könnte sogar passieren, dass der Code intestine läuft, aber … es tut nicht genau das, was wir wollten.
Stellen Sie sich nun eine KI vor, die nicht nur Code basierend auf dem, was er gesehen hat entwickelt sich Es. Zu einer ersten Überraschung bedeutet dies, dass Sie die Wahrscheinlichkeit erhöhen, den richtigen Code zu schreiben. Es geht jedoch weit darüber hinaus: Google hat gezeigt, dass es auch eine AI -Methode verwenden kann, um neue Algorithmen zu entdecken, die schneller, effizienter und manchmal völlig neu sind.
Ich spreche von Alphaevolve, der jüngsten Bombe von Google DeepMind. Lassen Sie es mich noch einmal sagen: Es ist nicht nur ein anderer Codegenerator, sondern ein System, das Code generiert und entwickelt, sodass es neue Algorithmen entdecken kann. Von Google von Google ausgestattet Zwillinge Modelle (die ich bald abdecken möchte, weil ich über ihre Kraft erstaunt bin!) Alphaevolve könnte revolutionieren, wie wir uns Codierung, Mathematik, Algorithmus -Design und warum nicht selbst analysieren.
Wie kann Alphaevolve ‚Evolve‘ Code?
Stellen Sie sich das wie eine natürliche Auswahl vor, aber für Software program. Das heißt, denken Sie an genetische Algorithmen, die seit Jahrzehnten in Datenwissenschaft, numerischen Methoden und rechnerischen Mathematik existieren. Kurz gesagt, anstatt jedes Mal von vorne zu beginnen, nimmt Alphaevolve ein erstes Stück Code – möglicherweise ein „Skelett“, das von einem Menschen bereitgestellt wird, mit spezifischen Bereichen zur Verbesserung – und läuft dann einen iterativen Verfeinerungsprozess.
Lassen Sie mich hier das in DeepMinds Whitepaper beschriebene Verfahren zusammenfassen:
Intelligente Aufforderung: Alphaevolve ist „clever“ genug, um seine eigenen Aufforderungen für den zugrunde liegenden Gemini zu erstellen Llm. Diese Aufforderungen weisen Gemini an, sich wie ein Weltklasse-Experte in einem bestimmten Bereich zu verhalten, der mit Kontext aus früheren Versuchen ausgestattet ist, einschließlich der Punkte, die korrekt gearbeitet zu haben schienen, und solchen, die klare Fehler sind. Hier kommen diese massiven Kontextfenster von Modellen wie Gemini (selbst Sie können bis zu einer Million Token im AI -Studio von Google laufen) ins Spiel.
Kreative Mutation: Das LLM generiert dann einen vielfältigen Pool von „Kandidaten“ -Lösungen – Variationen und Mutationen des ursprünglichen Codes und untersucht verschiedene Ansätze zur Lösung des angegebenen Issues. Dies entspricht sehr genau die innere Arbeit regelmäßiger genetischer Algorithmen.
Überleben der Stärksten: Wieder wie bei genetischen Algorithmen, aber Kandidatenlösungen werden automatisch kompiliert, ausgeführt und streng an vordefinierten Metriken bewertet.
Zucht der High -Programme: Die besten Lösungen werden ausgewählt und werden wie bei genetischen Algorithmen die „Eltern“ für eine nächste Technology. Die erfolgreichen Merkmale der übergeordneten Programme werden wieder in den Aufforderungsmechanismus eingespeist.
Wiederholen (um sich zu entwickeln): In diesem Zyklus – erzeugen, testen, auswählen, lernen – wiederholt und untersucht mit jeder Iteration den großen Suchraum möglicher Programme, sodass nach und nach die Lösungen, die immer besser und besser sind, und gleichzeitig diejenigen, die versagen, reinigen. Je länger Sie es laufen lassen (was die Forscher als „Testzeit-Pc“ bezeichnen), desto ausgefeilter und optimiert werden die Lösungen.
Auf früheren Versuchen aufbauen
Alphaevolve ist der Nachfolger früherer Google -Projekte wie Alphacode (die sich mit dem Wettbewerb befasst Programmierung) und direkter von FunSearch. FunSearch warfare ein faszinierender Beweis für das Konzept, das zeigte, wie LLMs neue mathematische Erkenntnisse entdecken konnten, indem kleine Pythonfunktionen entwickelt wurden.
Alphaevolve nahm dieses Konzept und „injizierte es Steroide“. Ich meine das aus verschiedenen Gründen…
Erstens, weil Alphaevolve dank Geminis riesiger Token -Fenster mit ganzen Codebasen, Hunderte von Linien lange, nicht nur winzige Funktionen wie in den frühen Checks wie FunSearch zu tun hat. Zweitens, weil Gemini wie andere LLMs Tausende und Tausende von Code in zehn Programmiersprachen gesehen hat; Daher hat es eine breitere Vielfalt von Aufgaben behandelt (da in einigen Bereichen typischerweise mehr Sprachen verwendet werden als in anderen) und es wurde zu einer Artwork Polyglot -Programmierer.
Beachten Sie, dass sich Alphaevolve mit intelligenteren LLMs als Motoren entwickeln kann, um bei seiner Suche nach Lösungen und optimalen Programmen schneller und effizienter zu werden.
Alphaevolves atemberaubende Ergebnisse zu realen Problemen
Hier sind die interessantesten Anwendungen, die im Whitepaper vorgestellt werden:
- Optimierung der Effizienz in Googles Rechenzentren: Alphaevolve entdeckte eine neue Scheduling -Heuristik, die einen Speichern von 0,7% in den Rechenressourcen von Google erzielte. Dies magazine klein aussehen, aber die Skala von Google bedeutet einen wesentlichen ökologischen und monetären Schnitt!
- Entwerfen besserer KI -Chips: Alphaevolve könnte einige der komplexen Schaltungen innerhalb von Googles TPUs vereinfachen, insbesondere für die Matrix -Multiplikationsoperationen, die das Lebenselixier der modernen KI sind. Dies verbessert die Berechnungsgeschwindigkeiten und trägt erneut zu niedrigeren ökologischen und wirtschaftlichen Kosten bei.
- Schnelleres KI -Coaching: Alphaevolve hat sogar seinen Optimierungsblatt nach innen gedreht, indem eine Matrix -Multiplikationsbibliothek beschleunigt wurde, die bei der Ausbildung der sehr Gemini -Modelle verwendet wird, die sie mit Strom versorgen! Dies bedeutet eine leichte, aber beträchtliche Verringerung der KI -Trainingszeiten und erneut niedrigere ökologische und wirtschaftliche Kosten!
- Numerische Methoden: In einer Artwork Validierungstest wurde Alphaevolve auf über 50 notorisch schwierigen offenen Problemen in der Mathematik freigesetzt. In rund 75% von ihnen entdeckte es die bekanntesten menschlichen Lösungen unabhängig wieder!
In Richtung selbstverbesserter KI?
Eines der tiefgreifendsten Auswirkungen von Instruments wie Alphaevolve ist der „tugendhafte Zyklus“, durch den KI selbst die KI -Modelle verbessern könnte. Darüber hinaus machen effizientere Modelle und {Hardware} Alphaevolve selbst leistungsfähiger, sodass es noch tiefere Optimierungen entdecken kann. Das ist eine Rückkopplungsschleife, die die KI -Fortschritte dramatisch beschleunigen kann und wer weiß, wo. Dies nutzt KI irgendwie, um KI besser, schneller und schlauer zu machen – ein echter Schritt auf dem Weg zu mächtigeren und vielleicht allgemeinen künstlichen Intelligenz.
Abgesehen von dieser Reflexion, die sich dem Bereich der naturwissenschaftlichen Funktion schnell nähert, ist der Punkt, dass Alphaevolve für eine große Klasse von Problemen in der Wissenschaft, Ingenieurwesen und Berechnung einen Paradigmenwechsel darstellen könnte. Als Computerchemiker und Biologe verwende ich selbst Instruments in LLMs und Argumenting -KI -Systemen, um meine Arbeit zu unterstützen, Programme zu schreiben und zu debuggen, sie zu testen, Daten schneller und mehr zu analysieren. Mit dem, was DeepMind jetzt präsentiert hat, wird es noch klarer, dass wir uns einer Zukunft nähern, in der AI nicht nur menschliche Anweisungen ausführt, sondern auch zu einem kreativen Companion für Entdeckung und Innovation wird.
Bereits seit einigen Monaten sind wir von der KI umgezogen, die unseren Code zu KI vervollständigt, der ihn quick ausschließlich erstellt, und Instruments wie Alphafold werden uns zu Zeiten veranlassen, in denen KI nur zu Problemen mit (oder für!) Uns setzt, schreiben und sich entwickelnde Code entwickeln, um optimale und möglicherweise völlig unerwartete Lösungen zu erreichen. Zweifellos werden die nächsten Jahre wild sein.
Referenzen und verwandte Lesevorgänge
www.lucianoabriata.com Ich schreibe über alles, was in meinem breiten Interessenbereich liegt: Natur, Wissenschaft, Technologie, Programmierung usw. Abonnieren Sie meine neuen Geschichten per E-Mail. Zu Wenden Sie sich über kleine Jobs Überprüfen Sie meine Serviceseite hier. Du kannst Kontaktieren Sie mich hier. Du kannst Tipp mich hierher.