Еволюція Розуму DeepMind: Надання Великим Моделям Мови Можливостей для Рішення Реальних Проблем

За останні роки штучний інтелект (ШІ) став практичним інструментом для стимулювання інновацій у різних галузях. На передньому краї цього прогресу знаходяться великі моделі мови (ВММ), відомі своєю здатністю розуміти та генерувати людську мову. Хоча ВММ добре виконують завдання, такі як розмовний ШІ та створення контенту, вони часто мають труднощі з комплексними реальними проблемами, які вимагають структурованого мислення та планування.

Наприклад, якщо ви попросите ВММ спланувати багатомістний бізнес-тур, який включає координацію розкладів польотів, часу зустрічей, обмежень бюджету та достатнього відпочинку, вони можуть надати пропозиції щодо окремих аспектів. Однак вони часто мають труднощі з інтеграцією цих аспектів для ефективного балансування конкуруючих пріоритетів. Ця обмеженість стає ще більш очевидною, оскільки ВММ все частіше використовуються для створення агентів ШІ, здатних самостійно вирішувати реальні проблеми.

Google DeepMind недавно розробила рішення цієї проблеми. Вдохновлена природним відбором, цей підхід, відомий як Еволюція Розуму, розвиває стратегії рішення проблем шляхом ітеративної адаптації. Керуючи ВММ в режимі реального часу, він дозволяє їм ефективно вирішувати комплексні реальні завдання та адаптуватися до динамічних сценаріїв. У цій статті ми розглянемо, як працює цей інноваційний метод, його потенційні застосування та що це означає для майбутнього рішення проблем з допомогою ШІ.

Чому ВММ мають труднощі з комплексним мисленням та плануванням

ВММ навчаються передбачати наступне слово в реченні шляхом аналізу закономірностей у великих текстових даних, таких як книги, статті та онлайн-контент. Це дозволяє їм генерувати відповіді, які здаються логічними та контекстно відповідними. Однак це навчання засноване на розпізнаванні закономірностей, а не на розумінні значення. Як результат, ВММ можуть генерувати текст, який здається логічним, але мають труднощі з завданнями, які вимагають глибшого мислення або структурованого планування.

Основна обмеженість полягає в тому, як ВММ обробляють інформацію. Вони фокусуються на ймовірностях або закономірностях, а не на логіці, що означає, що вони можуть виконувати ізольовані завдання – наприклад, пропонувати варіанти польотів або рекомендації готелів – але мають труднощі, коли ці завдання потрібно інтегрувати в суцільний план. Це також робить важким для них підтримувати контекст у часі. Комплексні завдання часто вимагають відстежування попередніх рішень та адаптації до нових відомостей. ВММ, однак, схильні втрачати фокус у тривалих взаємодіях, що призводить до фрагментованих або несумісних виходів.

Як працює Еволюція Розуму

Еволюція Розуму DeepMind усуває ці обмеження, приймаючи принципи природної еволюції. Замість генерації однієї відповіді на комплексне запитання, цей підхід генерує кілька потенційних рішень, ітеративно доцільно їх та вибирає найкращий результат через структуровану оцінку. Наприклад, розгляньте команду, яка генерує ідеї для проекту. Деякі ідеї хороші, інші – ні. Команда оцінює всі ідеї, зберігаючи найкращі та відкидаючи решту. Вони потім покращують найкращі ідеї, вводять нові варіації та повторюють процес, поки не дійдуть до найкращого рішення. Еволюція Розуму застосовує цей принцип до ВММ.

Ось розбивка того, як це працює:

1. Генерація: Процес починається з генерації ВММ декількох відповідей на задану проблему. Наприклад, у задачі планування подорожей модель може створити різні маршрути на основі бюджету, часу та переваг користувача.
2. Оцінка: Кожне рішення оцінюється за допомогою функції придатності, яка вимірює, наскільки добре воно задовольняє вимогам завдання. Низькоякісні відповіді відкидаються, тоді як найперспективніші кандидати переходять до наступного етапу.
3. Доцільнення: Унікальним інноваційним елементом Еволюції Розуму є діалог між двома персонами в межах ВММ: Автором та Критиком. Автор пропонує рішення, тоді як Критик визначає недоліки та надає відгук. Цей структурований діалог віддзеркалює те, як люди доцільнюють ідеї через критику та перегляд. Наприклад, якщо Автор пропонує план подорожей, який включає візит до ресторану, який перевищує бюджет, Критик вказує на це. Автор потім переглядає план, щоб звернути увагу на зауваження Критика. Цей процес дозволяє ВММ виконувати глибокий аналіз, який вони не могли виконувати раніше за допомогою інших методів.
4. Ітеративна оптимізація: Доцільнені рішення проходять подальшу оцінку та рекомбінацію для генерації покращених рішень.

Повторюючи цей цикл, Еволюція Розуму ітеративно покращує якість рішень, дозволяючи ВММ ефективніше вирішувати комплексні реальні завдання.

Еволюція Розуму в дії

DeepMind протестувала цей підхід на бенчмарках, таких як TravelPlanner та Natural Plan. Використовуючи цей підхід, Gemini від Google досягла успішності 95,2% на TravelPlanner, що є видатним покращенням порівняно з базовим рівнем 5,6%. З більш просунутим Gemini Pro успішність зросла майже до 99,9%. Ця трансформаційна продуктивність демонструє ефективність еволюції розуму в解决і практичних проблем.

Цікаво, що ефективність моделі зростає з складністю завдання. Наприклад, тоді як однопасові методи мали труднощі з багатомістними маршрутами, які включають кілька міст, Еволюція Розуму постійно перевершувала, підтримуючи високі показники успішності навіть при збільшенні кількості обмежень.

Виклики та майбутні напрями

Хоча Еволюція Розуму досягла успіху, вона не позбавлена обмежень. Підхід вимагає значних обчислювальних ресурсів через ітеративну оцінку та доцільнення. Наприклад, вирішення завдання TravelPlanner за допомогою Еволюції Розуму потребувало трьох мільйонів токенів та 167 API-дзвінків – суттєво більше, ніж традиційні методи. Однак підхід залишається більш ефективним, ніж брутфорс-стратегії, такі як вичерпний пошук.

Крім того, розробка ефективних функцій придатності для певних завдань могла б бути складною задачею. Майбутні дослідження можуть зосередитися на оптимізації обчислювальної ефективності та розширенні техніки для застосування до широкого спектра проблем, таких як творче письмо чи складне прийняття рішень.

Іншим цікавим напрямком дослідження є інтеграція домен-специфічних оцінювачів. Наприклад, у медичній діагностиці включення експертних знань до функції придатності могло б进一步 підвищити точність та надійність моделі.

Застосування за межами планування

Хоча Еволюція Розуму в основному оцінюється на завданнях планування, вона може бути застосована до різних доменів, включаючи творче письмо, наукове відкриття та навіть генерацію коду. Наприклад, дослідники представили бенчмарк під назвою StegPoet, який викликає модель закодувати приховані повідомлення в віршах. Хоча це завдання залишається складним, Еволюція Розуму перевершує традиційні методи, досягнувши успішності до 79,2%.

Спроможність адаптувати та еволюціонувати рішення в природній мові відкриває нові можливості для вирішення проблем, які важко формалізувати, таких як покращення робочих процесів або генерація інноваційних дизайнів продуктів. Використовуючи силу еволюційних алгоритмів, Еволюція Розуму надає гнучку та масштабовану основу для покращення можливостей вирішення проблем ВММ.

Висновок

Еволюція Розуму DeepMind представляє практичний та ефективний спосіб подолання ключових обмежень ВММ. Використовуючи ітеративне доцільнення, надихнене природним відбором, вона підвищує здатність цих моделей обробляти комплексні, багатокрокові завдання, які вимагають структурованого мислення та планування. Підхід вже продемонстрував значний успіх у складних сценаріях, таких як планування подорожей, та демонструє перспективи в різних доменах, включаючи творче письмо, наукове дослідження та генерацію коду. Хоча виклики, такі як високі обчислювальні витрати та необхідність добре спроектованих функцій придатності, залишаються, підхід надає масштабовану основу для покращення можливостей ШІ. Еволюція Розуму створює сцену для більш потужних систем ШІ, здатних мислити та планувати для вирішення реальних проблем.