"Bài báo này khá ấn tượng", Mario Krenn, người đứng đầu Phòng thí nghiệm Nhà khoa học Nhân tạo tại Viện Khoa học Ánh sáng Max Planck ở Erlangen, Đức nhận xét. "Tôi nghĩ AlphaEvolve là minh chứng thành công đầu tiên về những khám phá mới dựa trên các LLM đa năng".
Theo Pushmeet Kohli, Giám đốc khoa học của DeepMind, bên cạnh việc sử dụng hệ thống để tìm ra giải pháp cho các bài toán mở, DeepMind đã áp dụng kỹ thuật trí tuệ nhân tạo (AI) này vào những thách thức thực tế của chính họ, AlphaEvolve đã giúp cải thiện thiết kế của thế hệ bộ xử lý tensor tiếp theo-các chip máy tính được phát triển đặc biệt cho AI-và đã tìm ra cách khai thác hiệu quả hơn năng lực điện toán toàn cầu của Google, tiết kiệm 0,7% tổng tài nguyên.
AI đa năng
Theo Krenn, hầu hết các ứng dụng thành công của AI trong khoa học cho đến nay-bao gồm cả công cụ thiết kế protein AlphaFold-đều liên quan đến thuật toán học được thiết kế thủ công cho nhiệm vụ cụ thể. Nhưng AlphaEvolve mang tính đa năng, tận dụng khả năng của LLM để tạo mã giải quyết vấn đề trong nhiều lĩnh vực khác nhau.
DeepMind mô tả AlphaEvolve là một 'tác nhân', vì nó liên quan đến việc sử dụng các mô hình AI tương tác. Tuy nhiên, nó nhắm đến một điểm khác trong quy trình khoa học so với nhiều hệ thống khoa học AI 'tác nhân' khác, vốn được sử dụng để xem xét tài liệu và đề xuất giả thuyết.
AlphaEvolve được dựa trên dòng LLM Gemini của công ty. Mỗi nhiệm vụ bắt đầu với việc người dùng nhập câu hỏi, tiêu chí đánh giá và một giải pháp đề xuất, từ đó LLM đề xuất hàng trăm hoặc hàng nghìn sửa đổi. Một thuật toán 'đánh giá' sau đó sẽ đánh giá các sửa đổi dựa trên các tiêu chí cho một giải pháp tốt.
Matej Balog, nhà khoa học AI tại DeepMind và là đồng trưởng nhóm nghiên cứu cho biết dựa trên những giải pháp được đánh giá là tốt nhất, LLM đề xuất ý tưởng mới và theo thời gian hệ thống phát triển một quần thể thuật toán mạnh hơn. Ông nói: "Chúng tôi khám phá tập hợp đa dạng các khả năng giải quyết vấn đề".
Ứng dụng hẹp
Trong toán học, AlphaEvolve dường như cho phép tăng tốc đáng kể trong việc giải quyết một số vấn đề, theo Simon Frieder, nhà toán học và nghiên cứu AI tại Đại học Oxford, Vương quốc Anh. Nhưng có lẽ nó sẽ chỉ được áp dụng cho "phần hẹp" của các nhiệm vụ có thể được trình bày như các vấn đề cần giải quyết thông qua mã, ông nói.
Các nhà nghiên cứu khác đang dè dặt đánh giá về tính hữu ích của công cụ này cho đến khi nó được thử nghiệm bên ngoài DeepMind. "Cho đến khi các hệ thống được thử nghiệm bởi cộng đồng rộng lớn hơn, tôi sẽ vẫn hoài nghi và xem xét các kết quả được báo cáo một cách thận trọng", Huan Sun, nhà nghiên cứu AI tại Đại học Ohio State ở Columbus cho biết.
Theo ông Kohli, mặc dù AlphaEvolve yêu cầu ít sức mạnh tính toán hơn để chạy so với AlphaTensor, nó vẫn quá tốn tài nguyên để được cung cấp miễn phí trên máy chủ của DeepMind. Tuy nhiên, công ty hy vọng việc công bố hệ thống sẽ khuyến khích các nhà nghiên cứu đề xuất các lĩnh vực khoa học để áp dụng AlphaEvolve. Ông Kohli khẳng định: "Chúng tôi chắc chắn cam kết bảo đảm rằng hầu hết mọi người trong cộng đồng khoa học đều có thể tiếp cận nó".
