Jedno od ključnih pitanja u razvoju umjetne inteligencije jest može li model generirati doista nove ideje, a ne samo reproducirati ili preuređivati već poznate informacije. U novom istraživanju, objavljenom na blogu DeepMind pokazuje da je to moguće: sustav nazvan AlphaEvolve, temeljen na modelu Gemini, sposoban je samostalno osmisliti učinkovitije algoritme za različite vrste računanja i optimizacijskih problema.
AlphaEvolve kombinira tri komponente: napredno kodiranje pomoću Gemini modela, simulacije koje testiraju učinkovitost predloženih rješenja te evolucijski algoritam koji iterativno poboljšava generirane dizajne. Time je postignuta mogućnost automatiziranog istraživanja u području računalnih znanosti, uključujući pronalazak algoritama koji premašuju dosadašnje, ručno dizajnirane pristupe.
Jedan od zapaženih rezultata je algoritam za množenje matrica koji premašuje performanse tzv. Strassenovog algoritma, metode koja je dominirala tim područjem više od pola stoljeća. Novi algoritam smanjuje broj potrebnih računskih operacija, čime povećava učinkovitost.
Uz čisto matematičke probleme, AlphaEvolve je korišten i za rješavanje praktičnih izazova poput optimizacije rasporeda u podatkovnim centrima, dizajna računalnih čipova te samih algoritama koji se primjenjuju u modelima poput Geminija. Riječ je o trima područjima ključnima za cjelokupan AI ekosustav.
Sustav funkcionira na principu generiranja i vrednovanja velikog broja algoritamskih prijedloga — tisuće njih se odbacuju, dok se najbolji biraju i evoluiraju kroz sljedeće iteracije. Time se ostvaruje kontinuirani napredak bez potrebe za ljudskim uplitanjem. DeepMind ovu metodu opisuje kao spoj generativne AI i eksperimentalne znanosti u automatiziranom okruženju.
AlphaEvolve se nadovezuje na ranije projekte poput AlphaTensor (2022.), koji je koristio pojačano učenje za otkrivanje novih metoda množenja tenzora, i FunSearch (2024.), koji je generirao učinkovite kodne strategije za specifične probleme putem evolucijskog pristupa. Novi projekt, međutim, ide korak dalje u općenitosti i primjeni, koristeći moćne jezične modele za formalizaciju problema i automatizaciju cjelokupnog dizajnerskog procesa.
AlphaEvolve nije prvi projekt DeepMinda koji demonstrira stvaralačku sposobnost AI-a. Njihov raniji program AlphaZero, poznat po igranju šahovskih i drugih strateških igara, također je osmislio originalne poteze i strategije kroz vlastito eksperimentalno učenje.
Matej Balog, jedan od glavnih stručnjaka na projektu AlphaEvolve, navodi da je često teško utvrditi je li veliki jezični model proizveo doista originalan tekst ili kod, no moguće je dokazati da nitko prije nije pronašao bolje rješenje za određeni problem. „Vrlo smo precizno pokazali da se može otkriti nešto što je dokazivo novo i dokazivo točno,“ kaže Balog. „Možete biti sigurni da to što ste pronašli nije moglo biti u podacima za treniranje.“
Iako je AlphaEvolve i dalje u eksperimentalnoj fazi, DeepMind ga vidi kao alat koji bi u budućnosti mogao doprinijeti razvoju algoritama u znanosti, industriji i samoj umjetnoj inteligenciji – brže i s većim dometom nego što je to moguće ljudskim radom.
