AlphaEvolve: خطوة رائدة من Google DeepMind نحو الذكاء الاصطناعي العام

أعلنت Google DeepMind عن AlphaEvolve، وهو وكيل ترميز تطوري مصمم لاكتشاف خوارزميات و حلول علمية جديدة بشكل مستقل. تم تقديم هذا البحث في ورقة بعنوان “AlphaEvolve: وكيل ترميز لاكتشاف علمي وخوارزمي,” ويمثل هذا البحث خطوة أساسية نحو الذكاء الاصطناعي العام (AGI) وحتى الذكاء الاصطناعي الفائق (ASI). لا يعتمد AlphaEvolve على تعديل دقيق ساكن أو مجموعات بيانات تم تعليمها من قبل البشر، بل يتبع مسارًا مختلفًا تمامًا – يركز على الإبداع المستقل والابتكار الخوارزمي والتحسين المستمر.

في قلب AlphaEvolve يوجد خط أنابيب تطورية مكتفية ذاتيًا مدعومة bởi نماذج لغة كبيرة (LLMs). هذا الخط الأنابيب لا يولد فقط مخرجات، بل يُغير ويفحص وينقي ويحسن الشفرة عبر الأجيال. يبدأ AlphaEvolve ببرنامج أولي ويعيد صياغته بشكل متكرر من خلال إدخال تغييرات هيكلية مدروسة.

تأخذ هذه التغييرات شكل différences تم توليدها بواسطة نموذج لغة يعتمد على أمثلة سابقة وتعليمات صريحة. يُشير “diff” في هندسة البرمجيات إلى الفرق بين إصدارين من ملف، وعادة ما يُظهر السطور التي يجب إزالتها أو استبدالها والسطور الجديدة التي يجب إضافتها. في AlphaEvolve، يولد نموذج اللغة هذه الdiffs من خلال تحليل البرنامج الحالي واقتراح تعديلات صغيرة – إضافة وظيفة أو تحسين حلقة أو تغيير معامل – بناءً على تعليمات تتضمن مقاييس الأداء وتعديلات ناجحة سابقة.

يتم اختبار كل برنامج معدل باستخدام مقيّمات آلية مخصصة للمهمة. يتم تخزين المرشحين الأكثر فعالية وتخزينها كمرجع وتجديدها كإلهام لمزيد من الإصدارات. مع مرور الوقت، يؤدي هذا الحلقة التطورية إلى ظهور خوارزميات متقدمة بشكل متزايد – في كثير من الأحيان تتجاوز تلك التي صممها خبراء بشريون.

فهم العلوم وراء AlphaEvolve

في جوهره، يعتمد AlphaEvolve على مبادئ الحوسبة التطورية – فرع من الذكاء الاصطناعي مستوحى من التطور البيولوجي. يبدأ النظام بimplementation أساسي من الشفرة، والتي يعاملها ككائن أولي. عبر الأجيال، يعدل AlphaEvolve هذه الشفرة – بإدخال تنوعات أو “طفرات” – ويقيّم صلاحية كل تنوع باستخدام دالة تسجيل محددة جيدًا. النوعان الأكثر أداءً ينجون ويعملان كقوالب للجيل التالي.

تتم تنسيق هذه الحلقة التطورية من خلال:

• عينة التحفيز: يبني AlphaEvolve التحفيزات عن طريق اختيار وتضمين عينات شفرة ناجحة سابقة ومقاييس الأداء وتعليمات محددة للمهمة.
• طفرة الشفرة والاقتراح: يستخدم النظام مزيجًا من نماذج اللغة القوية – Gemini 2.0 Flash و Pro – لتوليد تعديلات محددة للقاعدة الشفرية الحالية في شكل différences.
• آلية التقييم: تقيّم وظيفة تقييم آلية أداء كل مرشح عن طريق تنفيذه وإرجاع درجات سكاليار.
• قاعدة البيانات والمراقب: ينسق مراقب موزع هذه الحلقة، ويخزن النتائج في قاعدة بيانات تطورية ويتوازن بين الاستكشاف والاستغلال من خلال آليات مثل MAP-Elites.

تختلف هذه العملية التطورية الغنية بالتعليقات بشكل جذري عن تقنيات التعديل القياسية. تمكن AlphaEvolve من توليد حلول جديدة وأداء عالية وأحيانًا غير متوقعة – يدفع حدود ما يمكن أن يتحققه التعلم الآلي بشكل مستقل.

مقارنة AlphaEvolve مع RLHF

من أجل تقدير ابتكار AlphaEvolve، من المهم مقارنته مع التعلم من التغذية الراجعة البشرية (RLHF)، وهي نهج سائد يستخدم لتعديل نماذج اللغة الكبيرة.

في RLHF، يتم استخدام تفضيلات بشرية لتدريب نموذج مكافأة، الذي يوجه عملية التعلم لنموذج لغة كبير عبر خوارزميات التعلم بالتعزيز مثل التنظيم السياسي الأمثل (PPO). يُحسن RLHF من محاذاة ونفاذية النماذج، لكنه يتطلب مشاركة بشرية واسعة النطاق لتوليد بيانات التغذية الراجعة ويعمل عادة في نظام تعديل ساكن لمرة واحدة.

AlphaEvolve، من ناحية أخرى:

• يزيل التغذية الراجعة البشرية من الحلقة لصالح مقيّمات آلية.
• يدعم التعلم المستمر من خلال الانتخاب التطوري.
• يستكشف مجالات حل أوسع نتيجة للطفرات العشوائية والتنفيذ غير المتزامن.
• يمكنه توليد حلولاً ليست فقط محاذية، بل جديدة ومهمة علميًا.

أينما يتم تعديل RLHF السلوك، يكتشف و يخترع AlphaEvolve. هذا الفرق حاسم عند النظر في المسارات المستقبلية نحو AGI: AlphaEvolve لا يُحسن فقط التنبؤات – بل يجد مسارات جديدة للtruth.

التطبيقات والانجازات

1. الاكتشاف الخوارزمي والتقدمات الرياضية

أثبت AlphaEvolve قدرته على اكتشافات رائدة في مشاكل خوارزمية أساسية. الأكثر إثارة للإعجاب هو اكتشافه خوارزمية جديدة لضرب两个 مصفوفات معقدة 4×4 باستخدام فقط 48 ضرب سكالي – متجاوزًا نتيجة Strassen لعام 1969 البالغة 49 ضربًا وكسرًا لسقف نظري قديم يعود إلى 56 عامًا. حقق AlphaEvolve ذلك من خلال تقنيات تحلل التنسور المتقدمة التي طوّرها عبر العديد من الإصدارات، متجاوزًا عدة نهج متقدم.

ما وراء ضرب المصفوفات، ساهم AlphaEvolve بشكل كبير في الأبحاث الرياضية. تم تقييمه على أكثر من 50 مشكلة مفتوحة عبر مجالات مثل التوليف والنظرية العددية والهندسة. متطابقًا مع أفضل النتائج المعروفة في حوالي 75% من الحالات، وتجاوزها في حوالي 20%. وشملت هذه النجاحات تحسينات لمشكلة Overlap Minimum ل Erdős، وحل أكثر كثافة لمشكلة Kissing Number في 11 بعدًا، وتكوينات حزم هندسية أكثر كفاءة. هذه النتائج تؤكد قدرته على العمل كمتجول رياضي مستقل – يُحسن ويعيد صياغة حلولاً متزايدة الاكتمال دون تدخل بشري.

2. التحسين عبر حزمة حوسبة Google

سلم AlphaEvolve أيضًا تحسينات أداء ملموسة عبر بنية تحتية Google:

• في جدولة مركز البيانات، اكتشف خوارزمية جديدة تحسنت من وضع الوظيفة، واستعاد 0.7% من الموارد الحوسبية المهجورة.
• لنواة تدريب Gemini، صمم AlphaEvolve استراتيجية تيلينج أفضل لمضرب المصفوفات، مما أدى إلى تحسين بنسبة 23% في سرعة النواة وخفض بنسبة 1% في وقت التدريب الإجمالي.
• في تصميم دائرة TPU، حدد تحسينًا لمنطق الحساب في مستوى RTL (مستوى النقل التسلسلي)، تم التحقق منه من قبل المهندسين وشمل في شرائح TPU التالية.
• كما قام بتحسين كود FlashAttention المولّد بواسطة المترجم عن طريق تحرير تمثيلات XLA الوسيطة، مما قلل من وقت الاستدلال على وحدات معالجة الرسومات بنسبة 32%.

معًا، تؤكد هذه النتائج قدرة AlphaEvolve على العمل على مستويات متعددة – من الرياضيات الرمزية إلى تحسين الأجهزة منخفض المستوى – وتحقيق مكاسب أداء حقيقية في العالم الواقعي.

• برمجة تطورية: نموذج الذكاء الاصطناعي الذي يستخدم الطفرة والاختيار والوراثة لتحسين الحلول بشكل متكرر.
• تحسين الشفرة الفائق: البحث الآلي عن أكثر تنفيذ فعال للوظيفة – غالبًا ما يؤدي إلى تحسينات غير متوقعة ومضادة للمشاعر.
• تطور التحفيز Meta: AlphaEvolve لا يطور فقط الشفرة، بل يطور أيضًا كيفية اتصاله بتعليمات LLMs – مما يسمح بتحسين عملية البرمجة.
• فقدان التمثيل الديسكريتي: مصطلح调节 يُحفز على محاذاة الإخراج مع قيم نصف صحيحة أو صحيحة – حاسم للوضوح الرياضي والرمزي.
• فقدان الهلوسة: آلية لحقن العشوائية في حلول وسيطة، مما يشجع على الاستكشاف وتجنب الحد الأدنى المحلي.
• خوارزمية MAP-Elites: نوع من خوارزميات الجودة والتنوع التي تحتفظ بمجموعة متنوعة من الحلول عالية الأداء عبر أبعاد الميزة – مما يسمح بالابتكار المتين.

الآثار على AGI و ASI

AlphaEvolve أكثر من مجرد محسّن – إنه نظرة على مستقبل حيث يمكن للوكلاء الذكيين أن يظهروا استقلالية إبداعية. قدرة النظام على صياغة مشاكل مجردة وتصميم نهجه الخاص لحلها تمثل خطوة كبيرة نحو الذكاء الاصطناعي العام. هذا يتجاوز التنبؤ بالبيانات: يتضمن التفكير المنظم، وتكوين الاستراتيجية، وتكيف التغذية الراجعة – سمات السلوك الذكي.

قدرته على توليد ورفع افتراضات بشكل متكرر يُشير أيضًا إلى تطور في كيفية تعلم الآلات. على عكس النماذج التي تتطلب تدريبًا إشرافيًا مكثفًا، يُحسن AlphaEvolve نفسه من خلال حلقة من التجربة والتقييم. يسمح هذا الشكل الديناميكي من الذكاء للنظام بالتنقل في مجالات مشاكل معقدة، ورفض حلول ضعيفة، ورفع حلول أقوى دون إشراف بشري مباشر.

من خلال تنفيذ وتصديق أفكاره الخاصة، يعمل AlphaEvolve كفيلسوف وتجريبي في نفس الوقت. يتجاوز أداء المهام المحددة مسبقًا ويدخل نطاق الاكتشاف، محاكيًا عملية علمية مستقلة. كل تحسين مقترح يتم اختباره وقياسه وإعادة دمجه – مما يسمح بالتحسين المستمر بناءً على النتائج الفعلية بدلاً من الأهداف الساكنة.

ربما الأكثر إثارة للإعجاب هو أن AlphaEvolve هو مثال مبكر على التحسين الذاتي التكراري – حيث نظام الذكاء الاصطناعي لا يتعلم فقط بل يحسن أيضًا مكوناته الخاصة. في عدة حالات، قام AlphaEvolve بتحسين البنية التحتية للتدريب التي تدعم نماذجها الأساسية. على الرغم من أنه لا يزال مقيدًا بالهياكل الحالية، فإن هذه القدرة توفر سابقة. مع إطلاق المزيد من المشاكل في بيئات قابلة للتقييم، يمكن ل AlphaEvolve أن يتوسع نحو سلوك أكثر تعقيدًا وتحسينًا ذاتيًا – سمة أساسية من سمات الذكاء الاصطناعي الفائق (ASI).

القيود والمسار المستقبلي

القيود الحالية ل AlphaEvolve هي اعتماده على دوال تقييم آلية. هذا يحد من فائدته إلى مشاكل يمكن صياغتها رياضيًا أو خوارزميًا. لا يمكنه بعد العمل بشكل معنوي في مجالات تتطلب فهمًا بشريًا ضمنيًا أو حكمًا ذاتيًا أو تجارب فيزيائية.

然而، تشمل الاتجاهات المستقبلية:

• دمج التقييم الهجين: دمج العقلانية الرمزية مع تفضيلات بشرية وانتقادات لغة طبيعية.
• النشر في بيئات محاكاة، مما يسمح بالتجارب العلمية الجسدية.
• التنسيق من مخرجات مطورة إلى نماذج لغة أساسية، مما يخلق نماذج أكثر قدرة وفعاليّة.

تُشير هذه المسارات إلى أنظمة أكثر استقلالية قادرة على حل مشاكل مستقلة عالية المخاطر.

الختام

AlphaEvolve هو خطوة كبيرة إلى الأمام – ليس فقط في أدوات الذكاء الاصطناعي، بل في فهم الذكاء الاصطناعي نفسه. من خلال دمج البحث التطوري مع منطق LLM والتعليقات، يعيد AlphaEvolve تعريف ما يمكن أن يكتشفه الآلات بشكل مستقل.

نظرًا إلى الأمام، يمكن تطبيق الهيكل الأساسي ل AlphaEvolve بشكل متكرر على نفسه: تطوير مقيّماته الخاصة، تحسين منطق الطفرة، ورفع دوال التسجيل، وتنظيم خطوط أنابيب التدريب للنماذج التي يعتمد عليها. تمثل هذه الحلقة التكرارية للتحسين آلية فنية لتمهيد الطريق نحو AGI، حيث لا يكتمل النظام فقط المهام، بل يحسن أيضًا البنية التحتية التي تمكن تعلمه وعملياته العقلية.

بمرور الوقت، مع توسع AlphaEvolve عبر مجالات أكثر تعقيدًا ومجردة – ومع تقليل التدخل البشري في العملية – قد يظهر مكاسب ذكاء متسارعة. هذه الدورة التكرارية للتحسين الذاتي، المطبقة ليس فقط على مشاكل خارجية، بل أيضًا على هيكله الخوارزمي الداخلي، هي مكون نظري أساسي للذكاء الاصطناعي العام وجميع الفوائد التي يمكن أن توفرها المجتمع. مع مزيج الإبداع والاستقلالية والتكرار، قد يتم تذكر AlphaEvolve ليس فقط كمنتج من DeepMind، بل كخطة لإنشاء أول أدمغة اصطناعية عامة ومتطورة ذاتيًا.