Эволюция Разума DeepMind: Наделение Больших Языковых Моделей Возможностями Решения Реальных Проблем

В последние годы искусственный интеллект (ИИ) стал практическим инструментом для стимулирования инноваций в различных отраслях. На переднем крае этого прогресса находятся большие языковые модели (БЯМ), известные своей способностью понимать и генерировать человеческий язык. Хотя БЯМ хорошо справляются с задачами, такими как разговорный ИИ и создание контента, они часто испытывают трудности с сложными реальными проблемами, требующими структурированного рассуждения и планирования.

Например, если вы попросите БЯМ спланировать поездку в несколько городов, включающую координацию расписаний полетов, времени встреч, ограничений бюджета и достаточного отдыха, они могут предоставить предложения для отдельных аспектов. Однако они часто сталкиваются с трудностями при интеграции этих аспектов для эффективного балансирования конкурирующих приоритетов. Это ограничение становится еще более очевидным, поскольку БЯМ все чаще используются для создания автономных агентов ИИ, способных решать реальные проблемы.

Google DeepMind недавно разработала решение этой проблемы. Вдохновленная естественным отбором, этот подход, известный как Эволюция Разума, совершенствует стратегии решения проблем посредством итеративной адаптации. Руководя БЯМ в режиме реального времени, он позволяет им эффективно решать сложные реальные задачи и адаптироваться к динамическим сценариям. В этой статье мы рассмотрим, как работает этот инновационный метод, его потенциальные применения и что это значит для будущего решения проблем с помощью ИИ.

Почему БЯМ испытывают трудности с сложным рассуждением и планированием

БЯМ обучены предсказывать следующее слово в предложении, анализируя закономерности в больших текстовых наборах данных, таких как книги, статьи и онлайн-контент. Это позволяет им генерировать ответы, которые кажутся логичными и контекстно-адекватными. Однако это обучение основано на распознавании закономерностей, а не на понимании смысла. В результате БЯМ могут производить текст, который кажется логичным, но испытывают трудности с задачами, требующими более глубокого рассуждения или структурированного планирования.

Как работает Эволюция Разума

Эволюция Разума DeepMind устраняет эти недостатки, принимая принципы естественной эволюции. Вместо того, чтобы производить один ответ на сложный запрос, этот подход генерирует несколько потенциальных решений, итеративно совершенствует их и выбирает лучший результат через структурированный процесс оценки. Например, рассмотрим команду, генерирующую идеи для проекта. Некоторые идеи хороши, другие менее так. Команда оценивает все идеи, сохраняя лучшие и отбрасывая остальные. Затем они улучшают лучшие идеи, вводят новые вариации и повторяют процесс, пока не достигнут лучшего решения. Эволюция Разума применяет этот принцип к БЯМ.

Эволюция Разума в действии

DeepMind протестировала этот подход на бенчмарках, таких как TravelPlanner и Natural Plan. Используя этот подход, Gemini от Google достигла успеха в 95,2% на TravelPlanner, что является значительным улучшением по сравнению с базовым уровнем в 5,6%. С более продвинутым Gemini Pro показатели успеха увеличились до почти 99,9%. Это трансформационное выступление демонстрирует эффективность эволюции разума в решении практических задач.

Вызовы и будущие направления

Несмотря на свой успех, Эволюция Разума не лишена ограничений. Подход требует значительных вычислительных ресурсов из-за итеративных процессов оценки и совершенствования. Например, решение задачи TravelPlanner с помощью Эволюции Разума потребовало трех миллионов токенов и 167 вызовов API, что существенно больше, чем у традиционных методов. Однако подход остается более эффективным, чем методы грубой силы, такие как исчерпывающий поиск.

Применения за пределами планирования

Хотя Эволюция Разума в основном оценивается на задачах планирования, она может быть применена к различным областям, включая творческое письмо, научные открытия и даже генерацию кода. Например, исследователи представили бенчмарк под названием StegPoet, который бросает вызов модели закодировать скрытые сообщения внутри стихов. Хотя эта задача остается сложной, Эволюция Разума превосходит традиционные методы, достигая показателей успеха до 79,2%.

Итог

Эволюция Разума DeepMind представляет собой практический и эффективный способ преодолеть ключевые ограничения БЯМ. Используя итеративное совершенствование, вдохновленное естественным отбором, она повышает способность этих моделей справляться с сложными, многоступенчатыми задачами, требующими структурированного рассуждения и планирования. Подход уже показал значительный успех в сложных сценариях, таких как планирование путешествий, и демонстрирует перспективы в различных областях, включая творческое письмо, научные исследования и генерацию кода. Хотя вызовы, такие как высокие вычислительные затраты и необходимость хорошо спроектированных функций приспособленности, остаются, подход обеспечивает масштабируемую основу для улучшения возможностей ИИ. Эволюция Разума открывает путь для более мощных систем ИИ, способных рассуждать и планировать для решения реальных задач.