IT之家 12 月 15 日消息，谷歌 DeepMind 日前公布了一種名為“FunSearch”的模型訓(xùn)練法，號(hào)稱能夠計(jì)算包含“上限級(jí)問題”、“裝箱問題”在內(nèi)的一系列“涉及數(shù)學(xué)、計(jì)算機(jī)科學(xué)領(lǐng)域的復(fù)雜問題”。
據(jù)悉，F(xiàn)unSearch 模型訓(xùn)練法主要為 AI 模型引入了一個(gè)“評(píng)估器（Evaluator）”系統(tǒng)，AI 模型輸出一系列“創(chuàng)意解題方法”，“評(píng)估器”則負(fù)責(zé)評(píng)判模型輸出的解題辦法，反復(fù)迭代后，就能訓(xùn)練出數(shù)學(xué)能力更強(qiáng)的 AI 模型。
谷歌 DeepMind 使用 PaLM 2 模型進(jìn)行測(cè)試，研究人員建立了專用“代碼池”，使用代碼形式為模型輸入一系列問題，并設(shè)置了評(píng)估器流程，之后模型便會(huì)在每一次迭代中，自動(dòng)從代碼池中挑選問題，生成“具有創(chuàng)造性的新解法”，并交由評(píng)估器進(jìn)行評(píng)估，其中“最佳解法”將會(huì)被重新加入到代碼池中，重新開始另一次迭代。
IT之家注意到，FunSearch 訓(xùn)練法對(duì)“離散數(shù)學(xué)（Combinatorics）”特別擅長(zhǎng)，經(jīng)訓(xùn)練法鍛煉后的模型，可以輕松解決極值組合數(shù)學(xué)問題，研究人員在新聞稿中便介紹了模型計(jì)算“上限級(jí)問題（數(shù)學(xué)中涉及計(jì)數(shù)和排列領(lǐng)域的一個(gè)中心問題）”的過程方法。
此外，研究人員也成功使用 FunSearch 訓(xùn)練法解決了“裝箱問題（Bin Packing Problem）”，這是一個(gè)“將不同大小物品放進(jìn)最少數(shù)量容器”的問題，F(xiàn)unSearch 為“裝箱問題”提供了一種“即時(shí)性”的解決方案，生成一項(xiàng)“根據(jù)物品現(xiàn)有體積自動(dòng)進(jìn)行調(diào)整”的程序。
研究人員提到，與其他利用神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)的 AI 訓(xùn)練法相比，經(jīng)過 FunSearch 訓(xùn)練法鍛煉后的模型，輸出的代碼更易于檢查與部署，也就代表更容易被整合到實(shí)際工業(yè)環(huán)境中。
廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。