- FunSearch, un modelo de IA de DeepMind, resuelve problemas matemáticos complejos con precisión y descubre nuevas soluciones.
- Destaca en problemas como conjuntos de cap y empaquetamiento de binarios, superando las soluciones humanas.
- Este enfoque innovador basado en código ofrece esperanza para resolver misterios matemáticos.
En un desarrollo significativo, DeepMind, una filial de Google, ha presentado un Modelo de Lenguaje Grande (LLM) innovador llamado “FunSearch”, que está revolucionando el campo de las matemáticas.
A diferencia de los modelos de IA tradicionales que ocasionalmente generan resultados inexactos o ficticios, FunSearch se especializa en encontrar soluciones precisas a problemas matemáticos complejos, a menudo revelando soluciones completamente nuevas nunca antes concebidas por los humanos.
FunSearch: Una maravilla matemática pionera
FunSearch, apropiadamente nombrado por su enfoque en funciones matemáticas en lugar de diversión, está estableciendo nuevos estándares en el ámbito de las matemáticas impulsadas por IA. En el corazón de este modelo innovador hay una arquitectura de dos niveles.
La primera capa es una variante del PaLM 2 de Google llamado “Codey”, un modelo de lenguaje grande. La segunda capa actúa como un mecanismo de verificación de errores, escaneando meticulosamente la salida de Codey y eliminando la información incorrecta.
El equipo de investigación de DeepMind, liderando este proyecto excepcional, emprendió un viaje de incertidumbre, sin saber si este enfoque produciría resultados notables. Incluso hoy, permanecen perplejos sobre los mecanismos subyacentes que impulsan las capacidades extraordinarias de FunSearch, según el investigador de DeepMind Alhussein Fawzi.
Resolviendo el enigmático problema del conjunto de tapas
Uno de los enigmas matemáticos clave que FunSearch abordó es el famoso “problema del conjunto de tapas”. Este rompecabezas ha desconcertado a los matemáticos durante años, principalmente debido a la falta de consenso sobre el mejor enfoque para resolverlo.
Sin embargo, FunSearch ha superado este desafío generando soluciones completamente nuevas y, lo que es crucial, precisas para el problema del conjunto de tapas, soluciones previamente inalcanzables a través de esfuerzos humanos.
Para lograr esta hazaña, los ingenieros de DeepMind construyeron una representación en Python del problema del conjunto de tapas, omitiendo las líneas que definían la solución. Luego fue responsabilidad de Codey agregar líneas que resolverían correctamente el problema.
La capa de verificación de errores evaluó rigurosamente las soluciones de Codey por precisión y calidad, reconociendo que en las matemáticas de alto nivel, las ecuaciones pueden tener múltiples soluciones, pero no todas se consideran igualmente valiosas. Con el tiempo, el algoritmo de FunSearch identifica las soluciones óptimas generadas por Codey y las integra de nuevo en el modelo.
DeepMind permitió que FunSearch operara durante varios días, durante los cuales produjo millones de soluciones potenciales. Esta ejecución prolongada permitió a FunSearch refinar su código y generar resultados cada vez superiores. Los resultados de esta investigación destacan la capacidad de FunSearch para producir soluciones previamente desconocidas, pero matemáticamente sólidas, para el problema del conjunto de tapas.
Más allá del conjunto de tapas: Abordando el problema de la mochila
Además del problema del conjunto de tapas, FunSearch demostró su destreza al abordar otro formidable desafío matemático conocido como el "problema de la mochila". Este problema implica determinar la forma más eficiente de llenar las mochilas, una tarea cargada de complejidad y aplicaciones prácticas. Notablemente, FunSearch superó las soluciones calculadas por humanos al descubrir un enfoque más rápido y optimizado.
La capacidad de FunSearch para destacar en dominios matemáticos tan diversos subraya su potencial utilidad para asistir a matemáticos e investigadores en varios campos.
Aunque la integración de Modelos de Lenguaje Grande (LLMs) en el ámbito de las matemáticas sigue presentando desafíos, FunSearch de DeepMind ofrece un camino prometedor hacia adelante. Lo que distingue este enfoque es su generación de código informático, en lugar de proporcionar resultados matemáticos en bruto. Esta distinción simplifica el proceso de comprensión y verificación, haciéndolo más accesible para matemáticos e investigadores humanos.
La llegada de FunSearch representa otro paso significativo en las contribuciones continuas de DeepMind a la inteligencia artificial. Sus proyectos anteriores, incluidos AlphaFold (plegamiento de proteínas), AlphaStar (StarCraft) y AlphaGo (Go), lograron hazañas notables, pero no se basaban en LLM. Sin embargo, descubrieron nuevos conceptos matemáticos, presagiando el potencial revolucionario de FunSearch.
A medida que los matemáticos lidian con el panorama cambiante de la tecnología LLM, la última innovación de DeepMind ofrece un atisbo de esperanza y posibles soluciones a enigmas matemáticos de larga data. El enfoque único de FunSearch y su capacidad para proporcionar soluciones nuevas y verificadas podrían transformar la forma en que los matemáticos abordan problemas complejos.
Las mentes más inteligentes del mundo cripto ya leen nuestro boletín. ¿Quieres unirte? Únete a ellos.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente la investigación independiente y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión.
Brian Koome
Brian Koome cuenta con más de siete años de experiencia en la cobertura de blockchain y criptomonedas, habiendo estado activo en el sector desde 2017. Ha colaborado con publicaciones líderes, entre ellas BlockToday.com. Además, desarrolló el curso Ethereum 101 para BitDegree.org antes de unirse a Cryptopolitan como escritor a tiempo completo. Brian cubre guías perennes (EGs), análisis profundos, entrevistas y análisis de precios. Su enfoque en DeFi, innovación en blockchain y proyectos emergentes de criptomonedas deleita a los lectores.
