5 впечатляющих достижений нового саморазвивающегося ИИ-кодера DeepMind

      За последние годы системы искусственного интеллекта Google DeepMind добились больших научных успехов — от прогнозирования трехмерных структур почти всех известных белков во Вселенной до прогнозирования погоды с большей точностью, чем когда-либо прежде. 

      Британская лаборатория представила свое последнее достижение: AlphaEvolve - программист с искусственным интеллектом, который помогает большим языковым моделям (LLM), таким как Gemini, лучше решать сложные вычислительные и математические задачи. 

      В основе AlphaEvolve лежат те же модели, которые компания пытается улучшить. Используя Gemini, агент предлагает программы, написанные в виде кода, которые пытаются решить данную проблему. Каждый фрагмент кода проходит автоматизированные тесты, которые оценивают его точность, эффективность или новизну. AlphaEvolve сохраняет наиболее эффективные фрагменты кода и использует их в качестве основы для следующего этапа генерации. В течение многих циклов этот процесс “развивает” все более совершенные решения. По сути, это саморазвивающийся искусственный интеллект.  

      DeepMind уже использовала AlphaEvolve для решения проблемы энергопотребления центров обработки данных, разработки более совершенных чипов и ускорения обучения искусственного интеллекта. Вот пять ее главных достижений на данный момент. 

      1. Компания обнаружила новые решения некоторых из самых сложных математических задач в мире

      AlphaEvolve был протестирован на более чем 50 открытых задачах по математике, от комбинаторики до теории чисел. В 20% случаев он улучшил наиболее известные решения для них. 

      Одной из них была задача о числе поцелуев 300-летней давности. В 11-мерном пространстве AlphaEvolve обнаружила новую нижнюю границу с конфигурацией из 593 сфер — прогресс, которого не достигли даже опытные математики. 

      2. Это повысило эффективность центров обработки данных Google

      Агент с искусственным интеллектом разработал способ более эффективного управления энергопотреблением в центрах обработки данных Google. Это позволило технологическому гиганту повысить энергоэффективность своего центра обработки данных на 0,7% за последний год, что является значительным показателем экономии средств и энергии, учитывая масштабы его центра обработки данных. 

      3. Это помогло ускорить обучение Gemini

      AlphaEvolve улучшила разбиение матричного умножения на подзадачи, что является основной операцией при обучении моделей искусственного интеллекта, таких как Gemini. Эта оптимизация ускорила процесс на 23%, сократив общее время обучения Gemini на 1%. В мире генеративного ИИ каждый процентный пункт может привести к экономии затрат и энергии. 

      4. Компания участвовала в разработке части следующего чипа Google для искусственного интеллекта

      Компания Agent также использует свои навыки написания кода для перестройки всего в физическом мире. Он переписал часть арифметической схемы на Verilog — языке, используемом для проектирования микросхем, — что сделало ее более эффективной. Та же логика теперь используется при разработке будущего TPU (Tensor Processing Unit) от Google, усовершенствованного чипа для машинного обучения.  

      5. Он превзошел легендарный алгоритм 1969 года

      На протяжении десятилетий алгоритм Штрассена был золотым стандартом для умножения сложных матриц 4× 4. AlphaEvolve нашла более эффективное решение, используя меньшее количество скалярных умножений. Это может привести к созданию более продвинутых LLM, которые в значительной степени зависят от матричного умножения.

      По мнению DeepMind, эти достижения - лишь верхушка айсберга для AlphaEvolve. Лаборатория предполагает, что агент будет решать бесчисленные задачи - от разработки новых материалов и лекарств до оптимизации бизнес-операций.

      Эволюция искусственного интеллекта станет актуальной темой конференции TNW, которая пройдет 19-20 июня в Амстердаме. Билеты на мероприятие уже поступили в продажу — используйте код TNWXMEDIA2025 на кассе, чтобы получить скидку 30%.