Araştırmacılar, o anda yaşamın tam tersini yapan yapay olarak akıllı bir sistem geliştirdiler. Ancak sadece birkaç adım önde değil, milyonlarca adım önde.
California Teknoloji Enstitüsü’nden (Caltech) matematikçi Sergei Gukov liderliğindeki bir ekip, son derece uzun bir dizi adım gerektiren matematik problemlerini çözmek için tasarlanmış yeni bir makine öğrenme algoritması yarattı. Gibi Gerçekten Uzun adımlar; Bir milyon veya daha fazla adımdan bahsediyoruz.
Özellikle, AI. Andrews – Curtis varsayımıonlarca yıldır matematikçileri zorladı. Temel olarak varsayım şunları sorar: Bazı matematik bulmacaları her zaman yeniden düzenleme veya geri alma adımları gibi izin verilen bir dizi hareket kullanılarak çözülebilir mi?
Bu amaçla, yeni Caltech programı “nadir ve bulması zor olan uzun adım dizileri bulmaya çalıştı”, Rutgers Üniversitesi’nin ilk yazarı ve bir matematikçi olan Ali Shehper, bir Caltech’te dedi. ifade. “Bu, Dünya’nın büyüklüğünde bir labirentten yolunuzu bulmaya çalışmak gibi. Bunlar test etmeniz gereken çok uzun yollar ve işe yarayan tek bir yol var. ”
Bir ön hazırlık çalışmasında yayınlanan Arxiv Geçen Ağustos ve Salı günü güncellenen Shehper ve meslektaşları, yeni geliştirilen AI’larını soyut cebir içeren Andrews -Curtis varsayımı ile ilgili sorun ailelerini çözmek için nasıl kullandıklarını detaylandırıyor. Açık olmak gerekirse, varsayımın kendisini çözmediler. Bu antiklimaktik gibi görünse de, araştırmacılar varsayıma devam eden potansiyel karşı örnekleri çürüttüler. Karşı örneklemleri çürütmek, orijinal varsayımı zorunlu kılmakla birlikte, onu güçlendirir.
Shehper, “Karşı örneklerin bazılarını dışlamak bize orijinal varsayımın geçerliliğine güveniyor ve ana sorun hakkındaki sezgilerimizi oluşturmaya yardımcı oluyor” dedi. “Bize bunu düşünmek için yeni yollar veriyor.” Gukov matematik sorunlarını Rubik’in küpü ile karşılaştırdı.
“Bu karıştırılmış, karmaşık Rubik’in küpünü alabilir ve orijinal durumuna geri götürebilir misiniz? Bu çok uzun hareket dizilerini test etmelisiniz ve sonuna kadar doğru yolda olup olmadığınızı bilemezsiniz ”diye açıkladı.
Peki AI bunu nasıl yapıyor? Temel olarak, kutunun dışında düşünerek. Bir takviye öğrenme yaklaşımının ardından, araştırmacılar yapay zekayı önce kolay matematik problemlerini ve ardından giderek zor olan görevleri besleyerek eğittiler. “Çeşitli hareketleri dener ve sorunları çözmek için ödüllendirilir” dedi Shehper. “Programı, bir miktar merakla devam ederken daha fazlasını yapmaya teşvik ediyoruz. Sonunda, insanların yapabileceğinden daha iyi yeni stratejiler geliştirir. Bu takviye öğrenmenin büyüsü. ”
Algoritma nihayetinde araştırmacıların “süper hareketler” olarak adlandırdığı uzun beklenmedik hareket dizileri üretmeyi öğrendi. Buna karşılık, Chatgpt’in çıkışı çok daha sıkıcı.
“Chatgpt’ten bir mektup yazmasını isterseniz, tipik bir şey bulacaktır. Benzersiz ve son derece orijinal bir şey bulmak pek olası değildir. Bu iyi bir papağan, ”dedi Gukov. “Programımız aykırı değerlerle gelmekte iyidir.”
Bir yapay zekanın tahmin etmesi için gerçekten uygun olabilecek en az bir aykırı olay düşünebilirim: finansal kazalar. Ancak mevcut makine öğrenimi programları bu düzeyde prognostik sofistike olmasa da, araştırmacılar yöntemlerinin bir gün bu tür akıllı tahminlere katkıda bulunabileceğini tahmin ediyorlar.
Gukov, “Temel olarak, programımız öğrenmeyi nasıl öğreneceğini biliyor” dedi. “Kutunun dışında düşünüyor.” Ekibin “onlarca yıllık bir matematik alanında iyileştirmeler” yaptığını da sözlerine ekledi. Dahası, Gukov ve meslektaşları, büyük miktarda bilgi işlem gücüne ihtiyaç duymayan yaklaşımlara öncelik verdiler, bu da çalışmalarını küçük ölçekli bilgisayarlarla diğer akademisyenler için erişilebilir hale getiriyor.
Her ne kadar bu başarının pratik uygulamaları günlük yaşamlarımızda belirgin olmasa da, çalışmaları insanlığın sorunlarını çözmek için makine öğrenme algoritmalarını optimize eden bir dizi diğer araştırmacıya katılıyor (medeniyetimizi yok etmek değil).
