دیپ‌مایند، آزمایشگاه تحقیقاتی هوش مصنوعی گوگل، از توسعه سامانه AlphaEvolve خبر داده که برای حل مسائل ریاضی طراحی شده است.
به گزارش تکناک، دیپ‌مایند از توسعه سیستم هوش مصنوعی جدید با نام AlphaEvolve خبر داده که به‌طور خاص برای حل مسائل دارای پاسخ قابل ارزیابی ماشینی طراحی شده است. این ابزار نوآورانه با هدف بهبود فرآیندهای محاسباتی و علمی معرفی شده است و می‌تواند در بهینه‌سازی زیرساخت‌های آموزشی مدل‌های هوش مصنوعی استفاده شود.
به گفته آزمایشگاه تحقیق و توسعه هوش مصنوعی وابسته به گوگل، AlphaEvolve از مکانیزمی پیشرفته برای کاهش «هذیان‌گویی» در مدل‌های زبانی بهره می‌برد. این سیستم با تولید مجموعه‌ای از پاسخ‌های ممکن برای یک مسئله، آنها را ارزیابی می‌کند و امتیازدهی قرار می‌دهد تا دقیق‌ترین پاسخ ممکن را ارائه دهد. برخلاف مدل‌های رایج که ممکن است با اطمینان پاسخ‌های نادرست تولید کنند، AlphaEvolve از سیستم بازبینی خودکار استفاده می‌کند که دقت نتایج را تضمین می‌کند.
تک‌کرانچ می‌نویسد دیپ‌مایند اعلام کرده است که قصد دارد نسخه‌ای آزمایشی از AlphaEvolve را در قالب برنامه‌ای برای پژوهشگران منتخب دانشگاهی عرضه کند. عرضه گسترده‌تر این ابزار نیز در دستور کار آتی شرکت قرار دارد.
کاربران برای استفاده از AlphaEvolve باید مسئله‌ای را همراه با دستورالعمل، معادله، قطعه‌کد یا منابع مرتبط وارد کنند و سازوکاری برای ارزیابی پاسخ در قالب فرمول ارائه دهند. این سیستم تنها می‌تواند مسائلی را حل کند که بتوان آنها را به‌صورت خودکار سنجش کرد و فعلاً به حوزه‌هایی مانند علوم کامپیوتر و بهینه‌سازی سیستم‌ها محدود است. در مقابل، AlphaEvolve پاسخ‌های خود را صرفاً به‌صورت الگوریتمی ارائه می‌دهد و برای مسائل توصیفی یا غیرعددی مناسب نیست.
در یکی از آزمایش‌ها، دیپ‌مایند مجموعه‌ای از ۵۰ مسئله ریاضی در زمینه‌هایی مانند هندسه و ترکیبات را در اختیار AlphaEvolve قرار داد. این سیستم توانست در ۷۵ درصد سؤالات، بهترین پاسخ‌های شناخته‌شده را بازتولید و در ۲۰ درصد از مسائل نیز به راه‌حل‌های بهتری دست پیدا کند.
علاوه‌بر مسائل تئوریک، دیپ‌مایند کاربرد AlphaEvolve را در حل مسائل عملی بررسی کرده است. به گفته این شرکت، این سیستم موفق شد با تولید الگوریتم بهبودیافته، به‌طور میانگین ۰/۷ درصد از منابع محاسباتی گوگل در سطح جهانی را بازیابی کند و زمان مورد نیاز برای آموزش مدل‌های جمنای را تا ۱ درصد کاهش دهد. با‌این‌حال، دیپ‌مایند تأکید کرده است که AlphaEvolve هنوز در مرحله کشف‌های انقلابی نیست. در یکی از نمونه‌ها، این ابزار توانست به بهبودی در طراحی تراشه TPU گوگل اشاره کند که پیش‌تر نیز ابزارهای دیگر شناسایی کرده بودند.
دیپ‌مایند در پایان هدف از توسعه این سیستم را افزایش بهره‌وری و کاهش زمان حل مسائل و آزادسازی ظرفیت متخصصان برای تمرکز بر مسائل پیچیده‌تر و با اهمیت بیشتر عنوان کرده است. AlphaEvolve درحالی معرفی می‌شود که رقابت در حوزه هوش مصنوعی برای خلق ابزارهای کاربردی‌تر و دقیق‌تر با شدت بیشتری ادامه دارد.
