Le modèle d'IA révolutionnaire de DeepMind résout des mystèresmatic

Dans un développement significatif, DeepMind, une filiale de Google, a introduit un modèle de langage étendu (LLM) innovant nommé « FunSearch », qui révolutionne le domaine desmatic. 

Contrairement aux modèles d'IA traditionnels qui génèrent parfois des résultats inexacts ou fictifs, FunSearch se spécialise dans la recherche de solutions précises à des problèmesmaticcomplexes, révélant souvent des solutions entièrement nouvelles, jamais imaginées auparavant par l'homme.

FunSearch : une merveillematicpionnière

FunSearch, judicieusement nommé ainsi car il se concentre sur les fonctionsmaticplutôt que sur le divertissement, établit de nouvelles normes dans le domaine desmaticpilotées par l'IA. Au cœur de ce modèle révolutionnaire se trouve une architecture à deux niveaux. 

La première couche est une variante de PaLM 2 de Google appelée « Codey », un modèle de langage de grande taille. La seconde couche agit comme un mécanisme de vérification d'erreurs, analysant minutieusement la sortie de Codey et éliminant les informations incorrectes.

L'équipe de recherche de DeepMind, à la tête de ce projet exceptionnel, s'est lancée dans une aventure semée d'incertitudes, sans savoir si cette approche aboutirait à des résultats remarquables. Aujourd'hui encore, les mécanismes sous-jacents aux capacités extraordinaires de FunSearch restent un mystère pour eux, d'après Alhussein Fawzi, chercheur chez DeepMind.

Résolution du problèmematic du jeu de capsules

L'un des principaux casse-têtesmaticauxquels FunSearch s'est attaqué est le fameux « problème de l'ensemble des casquettes ». Ce problème a déconcerté lesmaticpendant des années, principalement en raison du manque de consensus sur la meilleure approche pour le résoudre.

Cependant, FunSearch a surmonté ce défi en générant des solutions entièrement nouvelles et, surtout, précises au problème de l'ensemble des plafonds — des solutions auparavant inaccessibles par les efforts humains.

Pour y parvenir, les ingénieurs de DeepMind ont créé une représentation Python du problème de l'ensemble de capacités, en omettant les lignes defila solution. Il incombait ensuite à Codey d'ajouter les lignes permettant de résoudre correctement le problème. 

La couche de vérification d'erreurs a rigoureusement évalué la précision et la qualité des solutions de Codey, reconnaissant qu'enmaticde haut niveau, les équations peuvent avoir plusieurs solutions, mais que toutes ne sont pas considérées comme ayant la même valeur. Au fil du temps, l'algorithme de FunSearchdentles solutions optimales générées par Codey et les réintègre au modèle.

DeepMind a permis à FunSearch de fonctionner pendant plusieurs jours, période durant laquelle il a généré des millions de solutions potentielles. Cette durée d'exécution prolongée a permis à FunSearch d'affiner son code et de produire des résultats de plus en plus performants. Les résultats de cette recherche mettent en évidence la capacité de FunSearch à produire des solutions inédites, maismaticrigoureuses, au problème de l'ensemble des capacités.

Au-delà du bouchon : s'attaquer au problème du remplissage des poubelles

Outre le problème de l'ensemble des bouchons, FunSearch a démontré son efficacité face à un autre défimaticredoutable : le problème du remplissage de bacs. Ce problème consiste à déterminer la manière la plus efficace de remplir des bacs, une tâche complexe aux nombreuses applications pratiques. De façon remarquable, FunSearch a surpassé les solutions calculées par des humains en proposant une approche plus rapide et plus optimisée.

La capacité de FunSearch à exceller dans des domainesmaticaussi divers souligne son utilité potentielle pour aider lesmaticet les chercheurs dans divers domaines.

Bien que l'intégration des grands modèles de langage (LLM) dans le domaine des mathématiquesmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticaux chercheurs.

L'avènement de FunSearch représente une nouvelle avancée significative dans les contributions continues de DeepMind à l'intelligence artificielle. Leurs projets précédents, tels qu'AlphaFold (repliement des protéines), AlphaStar (StarCraft) et AlphaGo (Go), ont réalisé des prouesses remarquables, mais ne reposaient pas sur des modèles linéaires. Ils ont néanmoins permis de découvrir de nouveaux conceptsmatic, préfigurant le potentiel révolutionnaire de FunSearch.

Alors que lesmatics'efforcent de maîtriser l'évolution des technologies LLM, la dernière innovation de DeepMind offre une lueur d'espoir et des solutions potentielles à des énigmesmaticde longue date. L'approche unique de FunSearch et sa capacité à fournir des solutions inédites et validées pourraient transformer la manière dont lesmaticabordent les problèmes complexes.