نموذج الذكاء الاصطناعي الرائد من ديب مايند يحل ألغازًاmatic

في تطور هام، قدمتmatic. شركة DeepMind ، وهي شركة تابعة لشركة Google، نموذج لغة كبير مبتكر (LLM) يسمى "FunSearch"، والذي يُحدث ثورة في مجال

بخلاف نماذج الذكاء الاصطناعي التقليدية التي تنتج أحيانًا نتائج غير دقيقة أو خيالية، فإن FunSearch متخصص في إيجاد حلول دقيقة للمشاكلmaticالمعقدة، وغالبًا ما يكشف عن حلول جديدة تمامًا لم يسبق للبشر أن تصوروها.

فن سيرش: أعجوبةmaticرائدة

يضع برنامج FunSearch، الذي يحمل هذا الاسم عن جدارة لتركيزه على الوظائفmaticبدلاً من التسلية، معايير جديدة في مجالmaticالمدعومة بالذكاء الاصطناعي. ويكمن جوهر هذا النموذج الرائد في بنية ثنائية الطبقات. 

الطبقة الأولى هي نسخة معدلة من نموذج PaLM 2 من جوجل تُسمى "Codey"، وهو نموذج لغوي ضخم. أما الطبقة الثانية فتعمل كآلية للتحقق من الأخطاء، حيث تقوم بفحص مخرجات Codey بدقة وإزالة المعلومات غير الصحيحة.

انطلق فريق البحث في ديب مايند، الذي يقود هذا المشروع الاستثنائي، في رحلة مليئة بالتحديات، غير متأكدين مما إذا كان هذا النهج سيُثمر نتائج باهرة. وحتى اليوم، لا يزالون عاجزين عن فهم الآليات الكامنة وراء القدرات الاستثنائية لـ FunSearch، وفقًا لما ذكره الباحث في ديب مايند، الحسين فوزي.

حل مشكلة مجموعة الأغطيةmatic

إحدى المعضلاتmaticالرئيسية التي تناولتها FunSearch هي "مشكلة مجموعة الغطاء" سيئة السمعة. وقد حيّرت هذه المعضلة علماءmaticلسنوات، ويرجع ذلك أساسًا إلى عدم وجود إجماع على أفضل طريقة لحلها.

ومع ذلك، فقد تجاوزت FunSearch هذا التحدي من خلال توليد حلول جديدة تمامًا، والأهم من ذلك، حلول دقيقة لمشكلة مجموعة الأغطية - وهي حلول لم يكن من الممكن تحقيقها سابقًا من خلال المساعي البشرية.

لإنجاز هذه المهمة، قام مهندسو ديب مايند بإنشاء تمثيل بلغة بايثون لمشكلة مجموعة الأغطية، مع حذف الأسطر التي defiالحل. ثم تولى كودي مسؤولية إضافة الأسطر التي من شأنها حل المشكلة بشكل صحيح. 

قامت طبقة التحقق من الأخطاء بتقييم حلول كودي بدقة من حيث الدقة والجودة، مع إدراكها أنه فيmaticالمتقدمة، قد يكون للمعادلات حلول متعددة، ولكن لا تُعتبر جميعها متساوية القيمة. بمرور الوقت،dentخوارزمية FunSearch الحلول المثلى التي يُنتجها كودي وتُدمجها مرة أخرى في النموذج.

سمحت شركة DeepMind لبرنامج FunSearch بالعمل لعدة أيام، أنتج خلالها ملايين الحلول المحتملة. وقد مكّن هذا التشغيل المطوّل برنامج FunSearch من تحسين شفرته البرمجية وإنتاج نتائج فائقة الجودة. تُبرز نتائج هذا البحث قدرة FunSearch على إنتاج حلول غير معروفة سابقًا، ولكنها سليمةmaticلمسألة مجموعة الأغطية.

ما وراء مجموعة الأغطية: معالجة مشكلة تعبئة الصناديق

إضافةً إلى مشكلة مجموعة الأغطية، أظهر برنامج FunSearch براعته في معالجة تحدٍmaticآخر بالغ الصعوبة يُعرف باسم "مشكلة تعبئة الصناديق". تتضمن هذه المشكلة تحديد الطريقة الأمثل لتعبئة الصناديق، وهي مهمة بالغة التعقيد ولها تطبيقات عملية عديدة. والجدير بالذكر أن FunSearch تفوق على الحلول التي وضعها البشر من خلال اكتشافه طريقة أسرع وأكثر كفاءة.

إن قدرة برنامج FunSearch على التفوق في مثل هذه المجالاتmaticالمتنوعة تؤكد فائدته المحتملة في مساعدة علماءmaticوالباحثين في مختلف المجالات.

رغم استمرار التحديات التي تواجه دمج نماذج اللغة الكبيرة (LLMs) في مجال الرياضياتmaticيقدم برنامج FunSearch من DeepMind مسارًا واعدًا للمستقبل. ما يميز هذا النهج هو توليده لرمز حاسوبي، بدلًا من تقديمmatic. هذا التمييز يُبسط عملية الفهم والتحقق، مما يجعله في متناول علماء الرياضياتmatic.

يمثل ظهور FunSearch خطوة هامة أخرى في إسهامات DeepMind المتواصلة في مجال الذكاء الاصطناعي. حققت مشاريعهم السابقة، بما في ذلك AlphaFold (طي البروتين) وAlphaStar (لعبة StarCraft) وAlphaGo (لعبة Go)، إنجازات رائعة، لكنها لم تكن مبنية على نماذج خطية هرمية. ومع ذلك، فقد كشفت هذه المشاريع عن مفاهيمmaticجديدة، مما ينبئ بالإمكانات الهائلة لـ FunSearch.

بينما ينكبّ علماءmaticعلى مواكبة التطورات المتسارعة في مجال تكنولوجيا التعلم الآلي، يقدم أحدث ابتكارات ديب مايند بصيص أمل وحلولاً محتملة لألغازmaticعصية على الحل. إن نهج فان سيرش الفريد وقدرته على توفير حلول جديدة وموثقة من شأنه أن يُعيد تشكيل طريقة تعامل علماءmaticمع المشكلات المعقدة.