Los mejores análisis sobre criptomonedas directamente en tu bandeja de entrada.
- FunSearch, un modelo de IA de DeepMind, resuelve problemas matemáticos complejos con precisión y descubre nuevas soluciones.
- Se destaca en problemas como conjuntos de tapas y empaquetado de contenedores, superando las soluciones humanas.
- Este innovador enfoque basado en códigos ofrece esperanza para resolver misterios matemáticos.
En un avance significativo, DeepMind, una subsidiaria de Google, ha presentado un innovador modelo de lenguaje a gran escala (LLM, por sus siglas en inglés) llamado "FunSearch", que está revolucionando el campo de lasmatic.
A diferencia de los modelos de IA tradicionales que ocasionalmente generan resultados inexactos o ficticios, FunSearch se especializa en encontrar soluciones precisas a problemasmaticcomplejos, revelando a menudo soluciones completamente nuevas nunca antes concebidas por humanos.
FunSearch: Una maravillamaticpionera
FunSearch, cuyo nombre se debe a su enfoque en las funcionesmaticen lugar del entretenimiento, está estableciendo nuevos estándares en el ámbito de lasmaticimpulsadas por IA. En el corazón de este modelo innovador se encuentra una arquitectura de dos niveles.
La primera capa es una variante de PaLM 2 de Google llamada "Codey", un modelo de lenguaje extenso. La segunda capa actúa como un mecanismo de comprobación de errores, analizando minuciosamente la salida de Codey y eliminando la información incorrecta.
El equipo de investigación de DeepMind, que lideró este excepcional proyecto, se embarcó en un viaje de incertidumbre, sin estar seguro de si este enfoque produciría resultados extraordinarios. Incluso hoy, siguen desconcertados sobre los mecanismos subyacentes que impulsan las extraordinarias capacidades de FunSearch, según el investigador de DeepMind, Alhussein Fawzi.
Resolviendo elmatic problema del conjunto de tapas
Uno de los principalesmaticque FunSearch abordó es el infame "problema del conjunto de tapas". Este problema ha desconcertado a losmaticdurante años, principalmente debido a la falta de consenso sobre la mejor manera de resolverlo.
Sin embargo, FunSearch ha trascendido este desafío al generar soluciones completamente nuevas y, fundamentalmente, precisas para el problema del conjunto de límites: soluciones que antes eran inalcanzables mediante esfuerzos humanos.
Para lograr esta hazaña, los ingenieros de DeepMind construyeron una representación en Python del problema del conjunto de capacidades, omitiendo las líneas que defila solución. Codey se encargó de añadir las líneas que resolvieran el problema correctamente.
La capa de verificación de errores evaluó rigurosamente la precisión y calidad de las soluciones de Codey, reconociendo que, enmaticde alto nivel, las ecuaciones pueden tener múltiples soluciones, pero no todas tienen el mismo valor. Con el tiempo, el algoritmo de FunSearchdentlas soluciones óptimas generadas por Codey y las integra en el modelo.
DeepMind permitió que FunSearch funcionara durante varios días, durante los cuales generó millones de soluciones potenciales. Este tiempo de ejecución prolongado permitió a FunSearch refinar su código y generar resultados cada vez mejores. Los resultados de esta investigación destacan la capacidad de FunSearch para producir soluciones previamente desconocidas, peromaticsólidas, para el problema del conjunto de capacidades.
Más allá del conjunto de tapas: abordar el problema del empaquetado en contenedores
Además del problema del conjunto de tapas, FunSearch demostró su destreza al abordar otro formidable desafíomaticconocido como el "problema del empaquetado de contenedores". Este problema implica determinar la manera más eficiente de empaquetar contenedores, una tarea compleja y con aplicaciones prácticas. Sorprendentemente, FunSearch superó las soluciones calculadas por humanos al descubrir un enfoque más rápido y optimizado.
La capacidad de FunSearch para sobresalir en dominiosmatictan diversos subraya su utilidad potencial para ayudar amatice investigadores en varios campos.
Si bien la integración de los Modelos de Lenguaje a Gran Escala (MLG) en el ámbito de las matemáticasmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticinvestigadores.
La llegada de FunSearch representa otro avance significativo en las contribuciones continuas de DeepMind a la inteligencia artificial. Sus proyectos anteriores, como AlphaFold (plegamiento de proteínas), AlphaStar (StarCraft) y AlphaGo (Go), lograron logros notables, pero no se basaron en LLM. Sin embargo, descubrieron nuevos conceptosmatic, anticipando el potencial innovador de FunSearch.
Mientras losmaticse enfrentan al panorama cambiante de la tecnología LLM, la última innovación de DeepMind ofrece un rayo de esperanza y posibles soluciones a antiguos enigmasmatic. El enfoque único de FunSearch y su capacidad para proporcionar soluciones novedosas y verificadas podrían transformar la forma en que losmaticabordan problemas complejos.
Existe un punto intermedio entre dejar el dinero en el banco y arriesgarse con las criptomonedas. Empieza con este vídeo gratuito sobre finanzas descentralizadas.
Descargo de responsabilidad. La información proporcionada no constituye asesoramiento financiero. Cryptopolitande no se responsabiliza de las inversiones realizadas con base en la información de esta página. Recomendamostrondentdentdentdentdentdentdentdent inversión.
CURSO
- ¿Qué criptomonedas pueden hacerte ganar dinero?
- Cómo mejorar tu seguridad con una billetera (y cuáles realmente vale la pena usar)
- Estrategias de inversión poco conocidas que utilizan los profesionales
- Cómo empezar a invertir en criptomonedas (qué plataformas de intercambio usar, las mejores criptomonedas para comprar, etc.)