A día de hoy, los avances tecnológicos han llevado a la inteligencia artificial a alcanzar niveles hasta entonces nunca vistos. Sin embargo, este progreso está lleno de algún que otro problema, y uno de los más importantes es la tendencia de la IA generativa a inventar información en lugar de dar respuestas precisas, conocida como alucinación.
No obstante,
Google DeepMind ha dado un gran paso con su última herramienta,
FunSearch. Esta no solo resuelve problemas matemáticos complejos, sino que va más allá, generando respuestas completamente nuevas y desconocidas hasta ahora.
El escenario de prueba para FunSearch fue el problema del conjunto de límites, que se ha planteado como todo un desafío para los expertos durante mucho tiempo. Mientras que otros modelos de lenguaje tienden a inventar respuestas, FunSearch destaca por su capacidad para encontrar las soluciones.
Este logro, solo por recordarlo, se suma a algunos anteriores de DeepMind, como AlphaFold y AlphaGo. "Para ser muy honesto, tenemos hipótesis, pero no sabemos exactamente por qué funciona", dice Alhussein Fawzi, científico investigador de Google DeepMind. "Al principio del proyecto no sabíamos si funcionaría".
Así es como funciona FunSearch y consigue resolver problemas matemáticos imposibles
Para entender mejor este logro, así fue el proceso, ya que utiliza un enfoque único: comienza con un modelo llamado Codey, una versión optimizada en código de ordenador de PaLM 2 de Google, y luego aplica una segunda capa que escanea y depura la información.
Los ingenieros de DeepMind crearon una representación en Python del problema del conjunto de límites, pero eliminaron las líneas que contenían la solución. Codey intervenía, agregando líneas que resolvían el problema con precisión. Luego, otra capa verificaba y calificaba las soluciones para ver que fuesen ciertas.
Mencionan que dejaron a FunSearch en funcionamiento durante varios días, generando millones de soluciones posibles y dando resultados cada vez más refinados. "Este es un paradigma prometedor", afirma Terence Tao de la Universidad de California. "Es una forma interesante de aprovechar el poder de los grandes modelos lingüísticos".
Lo increíble es que no solo encontró respuestas al problema del conjunto de límites, sino que también se adentró en otro problema matemático llamado el problema del embalaje de contenedores.
Este implica empaquetar artículos en la menor cantidad de contenedores posible, una tarea muy usada en informática para la gestión de centros de datos y el comercio electrónico. FunSearch superó las capacidades humanas en velocidad y eficacia.
Además, "los resultados de FunSearch también son más fáciles de entender. Una receta suele ser más clara que la extraña solución matemática que produce", comentan.
Este implica empaquetar artículos en la menor cantidad de contenedores posible, una tarea muy usada en informática para la gestión de centros de datos y el comercio electrónico. FunSearch superó las capacidades humanas en velocidad y eficacia.
Además, "los resultados de FunSearch también son más fáciles de entender. Una receta suele ser más clara que la extraña solución matemática que produce", comentan.
La pregunta es: ¿cómo lo hace FunSearch? La respuesta radica en su enfoque todo en uno. A diferencia de otros modelos, FunSearch no solo resuelve problemas existentes, ya que también puede resolver todo tipo de problemas matemáticos gracias a su capacidad para generar código en lugar de soluciones específicas. Esto hace que sus resultados sean más comprensibles y accesibles.
Los matemáticos “todavía están tratando de descubrir la mejor manera de incorporar grandes modelos de lenguaje en nuestro flujo de trabajo de investigación, de manera que aprovechen su poder y al mismo tiempo mitiguen sus inconvenientes”, explica Terence Tao. "Esto ciertamente indica un posible camino a seguir".
Comentarios
Publicar un comentario