Los modelos han revolucionado sin lugar a dudas cuántos de nosotros abordamos la codificación, pero a menudo son más como un pasante súper potente que un arquitecto experimentado. Los errores, los errores y las alucinaciones ocurren todo el tiempo, e incluso podría ocurrir que el código funcione bien, pero … no está haciendo exactamente lo que queríamos.
Ahora, imagine una IA que no solo escribe código basado en lo que se ve, sino activamente evolucionar él. Para primera sorpresa, esto significa que aumenta las posibilidades de escribir el código correcto; Sin embargo, va mucho más allá: Google demostró que también puede usar dicha metodología de IA para descubrir nuevos algoritmos que son más rápidos, más eficientes y, a veces, completamente nuevos.
Estoy hablando de Alphaevolve, la reciente bomba de Google Deepmind. Permítanme decirlo nuevamente: no es solo otro generador de código, sino más bien un sistema que genera y evoluciona el código, lo que le permite descubrir nuevos algoritmos. Alimentado por el formidable de Google Géminis Modelos (que tengo la intención de cubrir pronto, porque estoy sorprendido por su poder!), Alphaevolve podría revolucionar cómo abordamos la codificación, las matemáticas, el diseño de algoritmo y por qué no el análisis de datos en sí mismo.
¿Cómo evoluciona el código ‘evoluciona’ alphaevole?
Piense en ello como una selección natural, pero para el software. Es decir, piense en los algoritmos genéticos, que han existido en ciencias de datos, métodos numéricos y matemáticas computacionales durante décadas. Brevemente, en lugar de comenzar desde cero cada vez, Alphaevolve toma un código inicial, posiblemente un “esqueleto” proporcionado por un humano, con áreas específicas marcadas para mejorar, y luego es un proceso iterativo de refinamiento.
Permítanme resumir aquí el procedimiento detallado en el papel blanco de Deepmind:
Información inteligente: Alphaevolve es lo suficientemente “inteligente” como para elaborar sus propias indicaciones para los Géminis subyacentes LLM. Estos indican que Gemini actúe como un experto en clase mundial en un dominio específico, armado con contexto de intentos anteriores, incluidos los puntos que parecían haber funcionado correctamente y aquellos que son fallas claras. Aquí es donde esas ventanas de contexto masivas de modelos como Gemini (incluso usted puede correr hasta un millón de tokens en el estudio de inteligencia artificial de Google) entran en juego.
Mutación creativa: El LLM luego genera un grupo diverso de soluciones “candidatas”: variaciones y mutaciones del código original, explorando diferentes enfoques para resolver el problema dado. Esto es paralelo muy de cerca el funcionamiento interno de los algoritmos genéticos regulares.
Supervivencia del más apto: Nuevamente, como en los algoritmos genéticos, pero las soluciones candidatas se compilan, ejecutan y se evalúan automáticamente contra métricas predefinidas.
Reenización de los mejores programas: Las soluciones de mejor rendimiento se seleccionan y se convierten en los “padres” para una próxima generación, al igual que en los algoritmos genéticos. Los rasgos exitosos de los programas matrices se vuelven al mecanismo de solicitud.
Repita (para evolucionar): Este ciclo: generar, probar, seleccionar, aprender, repetir, y con cada iteración, Alphaevolve explora el vasto espacio de búsqueda de posibles programas, por lo tanto, gradualmente anula soluciones que son mejores y mejores, mientras purifican a los que fallan. Cuanto más tiempo se ejecute (lo que los investigadores llaman “calculador de tiempo de prueba”), más sofisticadas y optimizadas pueden ser las soluciones.
Sobre la base de intentos anteriores
Alphaevolve es el sucesor de proyectos anteriores de Google como Alphacode (que abordó competitivo Programación) y, más directamente, de FunSearch. FunSearch fue una prueba de concepto fascinante que mostró cómo LLMS podría descubrir nuevas ideas matemáticas al evolucionar pequeñas funciones de Python.
Alphaevolve tomó ese concepto y “lo inyectó con esteroides”. Me refiero a esto por varias razones …
Primero, porque gracias a la enorme ventana de tokens de Gemini, Alphaevolve puede lidiar con bases de código enteras, cientos de líneas largas, no solo pequeñas funciones como en las primeras pruebas como FunSearch. Segundo, porque al igual que otros LLM, Gemini ha visto miles y miles de código en decenas de lenguajes de programación; Por lo tanto, ha cubierto una variedad más amplia de tareas (como típicamente los idiomas diferentes se usan más en algunos dominios que en otros) y se convirtió en una especie de programador de políglota.
Tenga en cuenta que con LLMS más inteligentes como motores, Alphaevolve puede evolucionar para ser más rápido y más eficiente en su búsqueda de soluciones y programas óptimos.
Los resultados alucinantes de Alphaevolve en los problemas del mundo real
Estas son las aplicaciones más interesantes presentadas en el Libro Blanco:
- Optimización de la eficiencia en los centros de datos de Google: Alphaevolve descubrió una nueva heurística de programación que exprimió un ahorro de 0.7% en los recursos informáticos de Google. ¡Esto puede parecer pequeño, pero la escala de Google esto significa un corte ecológico y monetario sustancial!
- Diseñando mejores chips de IA: Alphaevolve podría simplificar algunos de los circuitos complejos dentro de las TPU de Google, específicamente para las operaciones de multiplicación de matriz que son el alma de la IA moderna. Esto mejora las velocidades de cálculo y nuevamente contribuye a costos ecológicos y económicos más bajos.
- Entrenamiento de IA más rápido: Alphaevolve incluso giró su mirada de optimización hacia adentro, acelerando una biblioteca de multiplicación de matriz utilizada en el entrenamiento de los modelos Gemini que lo impulsan. ¡Esto significa una pequeña pero considerable reducción en los tiempos de entrenamiento de IA y nuevamente los costos ecológicos y económicos más bajos!
- Métodos numéricos: En una especie de prueba de validación, Alphaevolve se soltó en más de 50 problemas abiertos notoriamente difíciles en matemáticas. ¡En alrededor del 75% de ellos, redescubrió de forma independiente las soluciones humanas más conocidas!
¿Hacia la IA de funcionamiento personal?
Una de las implicaciones más profundas de herramientas como Alphaevolve es el “ciclo virtuoso” por el cual la IA podría mejorar los modelos de IA. Además, los modelos y el hardware más eficientes hacen que Alphaevole sean más potentes, lo que le permite descubrir optimizaciones aún más profundas. Ese es un ciclo de retroalimentación que podría acelerar dramáticamente el progreso de la IA y liderar quién sabe a dónde. Esto está de alguna manera usando IA para mejorar, más rápido y más inteligente, un paso genuino en el camino hacia una inteligencia artificial más poderosa y quizás general.
Dejando de lado esta reflexión, que rápidamente se acerca al ámbito de la función científica, el punto es que para una vasta clase de problemas en ciencia, ingeniería y cálculo, Alphaevolve podría representar un cambio de paradigma. Como químico y biólogo computacional, yo mismo uso herramientas con sede en LLMS y razonamiento de sistemas de IA para ayudar a mi trabajo, escribir y depurar programas, probarlos, analizar datos más rápidamente y más. Con lo que DeepMind ha presentado ahora, se vuelve aún más claro que nos acercamos a un futuro en el que la IA no solo ejecuta instrucciones humanas, sino que se convierte en un socio creativo en el descubrimiento e innovación.
Durante algunos meses ya hemos estado pasando de AI que completa nuestro código a la IA que lo crea casi por completo, y las herramientas como Alfafold nos llevan a momentos en que AI se sienta para descifrar los problemas con (¡o para!), Escribir y evolucionar código para llegar a soluciones óptimas y posiblemente inesperadas. Sin duda, los próximos años van a ser salvajes.
Referencias y lecturas relacionadas
www.lucianoabriata.com Escribo sobre todo lo que se encuentra en mi amplia esfera de intereses: naturaleza, ciencia, tecnología, programación, etc. Suscríbete para obtener mis nuevas historias por correo electrónico. A Consulte sobre trabajos pequeños Revisa mi página de servicios aquí. Puede Contáctame aquí. Puede propina aquí.