DeepMind的突破性AI模型解决数学谜团

在重大发展中，DeepMind（Google的子公司）推出了一种名为“FunSearch”的创新大型语言模型（LLM），正在彻底改变数学领域。

与偶尔生成不准确或虚构结果的传统AI模型不同，FunSearch专门寻找复杂数学问题的精确解，通常揭示出人类从未设想过的全新解决方案。

FunSearch：开创性的数学奇迹

FunSearch，顾名思义，专注于数学函数而非娱乐，正在AI驱动的数学领域树立新标准。这一突破性模型的核心是双层架构。 

第一层是Google的PaLM 2的一个变体，称为“Codey”，这是一个大型语言模型。第二层充当错误检查机制，仔细扫描Codey的输出并消除错误信息。

DeepMind的研究团队，领导这一杰出项目，踏上了一段充满不确定性的旅程，不确定这种方法是否能产生显著结果。即使今天，根据DeepMind研究员Alhussein Fawzi的说法，他们仍然对驱动FunSearch非凡能力的底层机制感到神秘。

解决神秘的帽集问题

FunSearch解决的关键数学难题之一是臭名昭著的“帽集问题”。这个谜题多年来困扰着数学家，主要是由于缺乏解决它的最佳方法的共识。

然而，FunSearch 已经超越了这一挑战，生成了完全新颖且至关重要的准确解法来解决“帽集问题”——这些解法此前通过人类努力是无法实现的。

为了完成这一壮举，DeepMind 工程师构建了一个 Python 版本的帽集问题模型，省略了定义解决方案的代码行。接下来，Codey 的任务就是添加能够正确解决该问题的代码行。 

错误检查层对 Codey 生成的解决方案进行了严格的准确性和质量评估，并认识到在高等数学中，方程可能有多个解，但并非所有解都被视为同等有价值。随着时间的推移，FunSearch 的算法会识别出 Codey 生成的最佳解决方案，并将其重新整合到模型中。

DeepMind 让 FunSearch 运行了数天，在此期间它产生了数百万个潜在解决方案。这段长时间的运行使 FunSearch 能够优化其代码并生成越来越优越的结果。这项研究的结果突显了 FunSearch 生成此前未知但在数学上严谨的帽集问题解法的能力。

超越帽集：攻克装箱问题

除了帽集问题，FunSearch 还展示了其在解决另一个著名的数学挑战——“装箱问题”方面的实力。该问题涉及确定装箱的最有效方法，这是一项充满复杂性且具有实际应用价值的任务。令人惊叹的是，FunSearch 通过发现一种更快、更优化的方法，超越了人类计算的解决方案。

FunSearch 能够在如此多样的数学领域中表现出色，凸显了其在协助各领域的数学家和研究人员方面的潜在效用。

虽然将大型语言模型（LLMs）整合到数学领域仍然充满挑战，但DeepMind的FunSearch提供了一条充满希望的前进道路。这种方法与众不同的地方在于它生成计算机代码，而不是提供原始数学输出。这种区别简化了理解和验证过程，使其更容易被人类数学家和研究人员接受。

FunSearch 的出现标志着 DeepMind 在人工智能领域持续贡献的又一重大步伐。他们之前的项目，包括 AlphaFold（蛋白质折叠）、AlphaStar（星际争霸）和 AlphaGo（围棋），都取得了惊人的成就，但并非基于大型语言模型（LLM）。尽管如此，它们揭示了新的数学概念，预示了 FunSearch 的革命性潜力。

随着数学家们应对大型语言模型技术不断变化的格局，DeepMind 的最新创新为长期存在的数学谜团带来了一线希望和潜在解决方案。FunSearch 的独特方法及其提供新颖、经过验证的解法的能力，可能会重塑数学家解决复杂问题的方式。