O modelo inovador de IA da DeepMind resolvematicmatemáticos

Em um desenvolvimento significativo, a DeepMind, uma subsidiária do Google, apresentou um inovador Modelo de Linguagem Ampla (LLM, na sigla em inglês) chamado "FunSearch", que está revolucionando o campo damatic. 

Ao contrário dos modelos tradicionais de IA que ocasionalmente geram resultados imprecisos ou fictícios, o FunSearch se especializa em encontrar soluções precisas para problemasmaticcomplexos, muitas vezes revelando soluções totalmente novas, nunca antes concebidas por humanos.

FunSearch: Uma maravilhamaticpioneira

FunSearch, cujo nome é bastante apropriado devido ao seu foco em funçõesmaticem vez de entretenimento, está estabelecendo novos padrões no campo damaticorientada por IA. No cerne desse modelo inovador está uma arquitetura de duas camadas. 

A primeira camada é uma variante do PaLM 2 do Google chamada "Codey", um modelo de linguagem de grande porte. A segunda camada atua como um mecanismo de verificação de erros, analisando meticulosamente a saída do Codey e eliminando informações incorretas.

A equipe de pesquisa da DeepMind, à frente deste projeto excepcional, embarcou em uma jornada de incertezas, sem ter certeza se essa abordagem produziria resultados notáveis. Mesmo hoje, eles permanecem intrigados com os mecanismos subjacentes que impulsionam as capacidades extraordinárias do FunSearch, de acordo com o pesquisador da DeepMind, Alhussein Fawzi.

Resolvendo omatic problema do conjunto de tampas

Um dos principaismaticmatemáticos que a FunSearch abordou é o infame "problema do conjunto de tampas". Esse quebra-cabeça tem confundidomatichá anos, principalmente devido à falta de consenso sobre a melhor abordagem para resolvê-lo.

No entanto, a FunSearch superou esse desafio ao gerar soluções totalmente novas e, crucialmente, precisas para o problema do limite máximo de gastos — soluções anteriormente inatingíveis por meio de esforços humanos.

Para realizar essa façanha, os engenheiros da DeepMind construíram uma representação em Python do problema do conjunto de tampas, omitindo as linhas que defia solução. Coube então a Codey adicionar as linhas que resolveriam o problema corretamente. 

A camada de verificação de erros avaliou rigorosamente as soluções de Codey quanto à precisão e qualidade, reconhecendo que, emmaticde alto nível, as equações podem ter múltiplas soluções, mas nem todas são consideradas igualmente valiosas. Ao longo do tempo, o algoritmo do FunSearchdentas soluções ótimas geradas por Codey e as integra de volta ao modelo.

A DeepMind permitiu que o FunSearch operasse por vários dias, durante os quais gerou milhões de soluções potenciais. Esse tempo de execução prolongado permitiu que o FunSearch refinasse seu código e gerasse resultados cada vez melhores. Os resultados desta pesquisa destacam a capacidade do FunSearch de produzir soluções previamente desconhecidas, porémmaticsólidas, para o problema do conjunto de tampas.

Além do conjunto de tampas: resolvendo o problema do empacotamento de lixo

Além do problema do conjunto de tampas, o FunSearch demonstrou sua capacidade ao abordar outro desafiomaticformidável conhecido como o "problema do empacotamento de caixas". Este problema consiste em determinar a maneira mais eficiente de empacotar caixas, uma tarefa complexa e com diversas aplicações práticas. Notavelmente, o FunSearch superou as soluções calculadas por humanos, descobrindo uma abordagem mais rápida e otimizada.

A capacidade do FunSearch de se destacar em domíniosmatictão diversos ressalta seu potencial de utilidade para auxiliarmatice pesquisadores em várias áreas.

Embora a integração de Modelos de Linguagem de Grande Porte (LLMs) no campo da matemáticamaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticmaticpesquisadores.

O advento do FunSearch representa mais um passo significativo nas contribuições contínuas da DeepMind para a inteligência artificial. Seus projetos anteriores, incluindo AlphaFold (dobramento de proteínas), AlphaStar (StarCraft) e AlphaGo (Go), alcançaram feitos notáveis, mas não foram baseados em LLMs. Mesmo assim, eles revelaram novos conceitosmatic, prenunciando o potencial inovador do FunSearch.

Enquanto osmaticse esforçam para lidar com o cenário em constante evolução da tecnologia de aprendizado de máquina, a mais recente inovação da DeepMind oferece um vislumbre de esperança e soluções potenciais para enigmasmaticde longa data. A abordagem única do FunSearch e sua capacidade de fornecer soluções inovadoras e verificadas podem remodelar a maneira como osmaticabordam problemas complexos.