Οι επιστήμονες τεχνητής νοημοσύνης χρησιμοποίησαν chatbot για την επίλυση μαθηματικών προβλημάτων
Οι ερευνητές τεχνητής νοημοσύνης ισχυρίζονται ότι έκαναν την πρώτη επιστημονική ανακάλυψη στον κόσμο χρησιμοποιώντας ένα μεγάλο γλωσσικό μοντέλο. Σύμφωνα με τον Guardian, πρόκειται για μια ανακάλυψη που υποδηλώνει ότι η τεχνολογία πίσω από το ChatGPT και παρόμοια προγράμματα μπορεί να παράγει πληροφορίες που υπερβαίνουν την ανθρώπινη γνώση.
Η διαπίστωση προέκυψε από τη Google DeepMind, όπου οι επιστήμονες διερευνούν κατά πόσον τα μεγάλα γλωσσικά μοντέλα, τα οποία τροφοδοτούν τα σύγχρονα chatbot, όπως το ChatGPT της OpenAI και το Bard της Google, μπορούν να κάνουν κάτι περισσότερο από το να επανασυσκευάζουν πληροφορίες που έμαθαν κατά την εκπαίδευση και να καταλήγουν σε νέες ιδέες.
«Όταν ξεκινήσαμε το πρότζεκτ δεν υπήρχε καμία ένδειξη ότι θα παρήγαγε κάτι πραγματικά καινούργιο», δήλωσε ο Pushmeet Kohli, επικεφαλής του τμήματος τεχνητής νοημοσύνης για επιστημονικούς σκοπούς της DeepMind. «Απ’ όσο γνωρίζουμε, αυτή είναι η πρώτη φορά που μια γνήσια, νέα επιστημονική ανακάλυψη έγινε από ένα μεγάλο γλωσσικό μοντέλο».
Τα μεγάλα γλωσσικά μοντέλα, ή LLM, είναι ισχυρά νευρωνικά δίκτυα που μαθαίνουν τα μοτίβα της γλώσσας, συμπεριλαμβανομένου του υπολογιστικού κώδικα, από τεράστιες ποσότητες κειμένου και άλλων δεδομένων. Από την άφιξη του ChatGPT πέρυσι, η τεχνολογία έχει επιδιορθώσει ελαττωματικό λογισμικό και έχει παράγει τα πάντα, από πανεπιστημιακές εργασίες μέχρι ποιήματα για την κλιματική αλλαγή στο ύφος του Σαίξπηρ.
Όμως, αν και τα chatbot έχουν αποδειχθεί εξαιρετικά δημοφιλή, δεν παράγουν νέα γνώση και είναι επιρρεπή στη σύγχυση, οδηγώντας σε απαντήσεις που είναι αληθοφανείς αλλά και λανθασμένες.
Για την κατασκευή του “FunSearch“, η DeepMind αξιοποίησε ένα LLM για να γράψει λύσεις σε προβλήματα με τη μορφή υπολογιστικών προγραμμάτων. Το LLM συνδυάζεται με έναν “αξιολογητή” που κατατάσσει αυτόματα τα προγράμματα ανάλογα με το πόσο καλά αποδίδουν. Τα καλύτερα προγράμματα στη συνέχεια συνδυάζονται και διοχετεύονται πίσω στο LLM για βελτίωση. Αυτό οδηγεί το σύστημα να ισχυροποιεί τα προγράμματα ώστε να μπορούν να ανακαλύψουν νέα γνώση.
Οι ερευνητές άφησαν το FunSearch ελεύθερο σε δύο γρίφους. Ο πρώτος ήταν μια μακροχρόνια πρόκληση στα καθαρά μαθηματικά, γνωστή ως το πρόβλημα του cap set. Πρόκειται για την εύρεση του μεγαλύτερου συνόλου σημείων στο χώρο όπου κανένα από τα τρία σημεία δεν σχηματίζει ευθεία γραμμή. Το FunSearch ανέπτυξε προγράμματα που δημιουργούν νέα μεγάλα σύνολα cap που ξεπερνούν τα καλύτερα που έχουν βρει οι μαθηματικοί.
Ο δεύτερος γρίφος ήταν το πρόβλημα bin packing, το οποίο αναζητά τους καλύτερους τρόπους για τη συσκευασία αντικειμένων διαφορετικών μεγεθών σε δοχεία. Αν και εφαρμόζεται σε φυσικά αντικείμενα, όπως ο πιο αποδοτικός τρόπος για την τοποθέτηση κουτιών σε ένα εμπορευματοκιβώτιο, τα ίδια μαθηματικά εφαρμόζονται και σε άλλους τομείς, όπως ο προγραμματισμός εργασιών πληροφορικής σε κέντρα δεδομένων. Το πρόβλημα συνήθως επιλύεται είτε με τη συσκευασία αντικειμένων στον πρώτο κάδο που έχει χώρο, είτε με τη συσκευασία στον κάδο με τον λιγότερο διαθέσιμο χώρο όπου το αντικείμενο εξακολουθεί να χωράει. Το FunSearch βρήκε μια καλύτερη προσέγγιση που αποφεύγει να αφήνει μικρά κενά που είναι απίθανο να γεμίσουν ποτέ, σύμφωνα με τα αποτελέσματα που δημοσιεύονται στο Nature.
«Τα τελευταία δύο ή τρία χρόνια έχουν υπάρξει μερικά συναρπαστικά παραδείγματα συνεργασίας μαθηματικών επιστημόνων με την τεχνητή νοημοσύνη για να επιτευχθεί πρόοδος σε άλυτα προβλήματα», δήλωσε ο Sir Tim Gowers, καθηγητής μαθηματικών στο Πανεπιστήμιο του Κέιμπριτζ, ο οποίος δεν συμμετείχε στην έρευνα. «Αυτή η εργασία μας δίνει δυνητικά ένα άλλο πολύ ενδιαφέρον εργαλείο για τέτοιες συνεργασίες, επιτρέποντας στους μαθηματικούς να αναζητούν αποτελεσματικά έξυπνες και απροσδόκητες κατασκευές. Ακόμα καλύτερα, οι κατασκευές αυτές είναι ερμηνεύσιμες από τον άνθρωπο».
