Cómo MuZero, AlphaZero y AlphaDev están ayudando a optimizar todo el ecosistema informático que impulsa nuestro mundo de dispositivos
Los algoritmos de inteligencia artificial (IA) son cada día más sofisticados, cada uno diseñado para resolver un problema de la mejor manera. Como parte de nuestros esfuerzos por construir sistemas de IA cada vez más capaces y generales, estamos trabajando para crear herramientas de IA con una amplia comprensión del mundo, de modo que se puedan transferir conocimientos útiles entre muchos tipos diferentes de tareas.
Basados en el aprendizaje por refuerzo, nuestros modelos de IA AlphaZero y MuZero han logrado un rendimiento sobrehumano ganando juegos. Ahora, están ampliando sus capacidades para ayudar a diseñar mejores chips de computadora, optimizar los centros de datos y la compresión de video; y más recientemente, nuestra versión especializada de AlphaZero, llamada AlphaDev, descubrió nuevos algoritmos que ya están acelerando el software que constituye la base de nuestra tecnología digital. sociedad.
Si bien estas herramientas están generando avances en la eficiencia en todo el ecosistema informático, los primeros resultados muestran el potencial transformador de herramientas de IA de uso más general. Aquí explicamos cómo estos avances están dando forma al futuro de la informática y ya ayudan a miles de millones de personas y al planeta.
Diseñando mejores chips de computadora
El hardware especializado es esencial para garantizar que los sistemas de inteligencia artificial actuales sean eficientes en cuanto a recursos para los usuarios a escala, y diseñar y producir nuevos chips de computadora puede llevar años de trabajo. Pero ahora, nuestros investigadores desarrollaron un enfoque basado en IA para diseñar circuitos más potentes y eficientes al tratar un circuito como una red neuronal, acelerando el diseño de chips y llevando el rendimiento a nuevas alturas.
Las redes neuronales suelen estar diseñadas para recibir entradas del usuario y generar resultados, como imágenes, texto o vídeo. Dentro de la red neuronal, los bordes se conectan a los nodos en una estructura similar a un gráfico. Para crear un diseño de circuito, nuestro equipo propuso ‘redes neuronales de circuitos’, un nuevo tipo de red neuronal que convierte los bordes en cables y los nodos en puertas lógicas y aprende a conectarlos entre sí.
Luego optimizamos el circuito aprendido en cuanto a velocidad computacional, eficiencia energética y tamaño, manteniendo su funcionalidad. Utilizamos ‘recocido simulado’, una técnica de búsqueda clásica que mira un paso hacia el futuro, probando diferentes configuraciones en busca de la más óptima. Utilizando esta técnica, participamos en el Concurso de programación IWLS 2023 – y ganó – obteniendo la mejor solución en el 82% de los problemas de diseño de circuitos en la competencia.
Nuestro equipo también comenzó a aplicar AlphaZero, que puede mirar muchos pasos hacia el futuro, mejorando el diseño del circuito al tratar el desafío de optimización como un juego a resolver. Y hasta ahora, nuestra investigación que combina redes neuronales de circuitos con la función de recompensa del aprendizaje por refuerzo está mostrando resultados muy prometedores para construir un futuro de chips de computadora aún más avanzados.
Optimización de los recursos del centro de datos
Los centros de datos gestionan todo, desde la entrega de resultados de búsqueda hasta el procesamiento de conjuntos de datos. Borg gestiona miles de millones de tareas en Google, asignar estas cargas de trabajo es como un juego de Tetris multidimensional. Este sistema ayuda a optimizar las tareas para los servicios de infraestructura interna, productos orientados al usuario como Google Workspace y Search, y también gestiona el procesamiento por lotes.
Borg utiliza reglas codificadas manualmente para programar tareas para gestionar esta carga de trabajo. A escala de Google, estas reglas codificadas manualmente no pueden considerar la variedad de distribuciones de carga de trabajo en constante cambio, por lo que están diseñadas como “talla única”. al mejor ajustar todo”. Aquí es donde las tecnologías de aprendizaje automático como AlphaZero son especialmente útiles: estos algoritmos pueden crear automáticamente reglas individuales óptimamente adaptadas que son más eficientes para las distintas distribuciones de carga de trabajo.
Durante la capacitación, AlphaZero aprendió a reconocer patrones en las tareas que ingresan a los centros de datos y también aprendió a predecir las mejores formas de administrar la capacidad y tomar decisiones con los mejores resultados a largo plazo.
Cuando aplicamos AlphaZero a Borg, las pruebas experimentales en producción demostraron que este enfoque podría reducir la cantidad de hardware infrautilizado hasta en un 19%, optimizando la utilización de recursos de los centros de datos de Google.
Próximos pasos para la compresión de vídeo
La transmisión de vídeo constituye la mayor parte del tráfico de Internet y consume grandes cantidades de datos. Por lo tanto, encontrar eficiencias en este proceso, por grandes o pequeñas que sean, tendrá un gran impacto en los millones de personas que ven videos todos los días.
El año pasado, trabajamos junto con YouTube para aplicar las capacidades de resolución de problemas de MuZero para ayudar a comprimir y transmitir videos. Por reduciendo la tasa de bits en un 4%sin comprometer la calidad visual, MuZero mejoró la experiencia general de YouTube.
Inicialmente aplicamos MuZero para optimizar la compresión de cada cuadro individual dentro de un video. Ahora, hemos ampliado este trabajo para tomar decisiones sobre cómo se agrupan y referencian los fotogramas durante la codificación, lo que genera más ahorros en la tasa de bits.
Los primeros resultados de estos dos primeros pasos muestran una gran promesa del potencial de MuZero para convertirse en una herramienta más generalizada, ayudando a encontrar soluciones óptimas en todo el proceso de compresión de video.
Descubriendo algoritmos más rápidos
Más reciente, alfadevuna versión de AlphaZero, ha logrado un avance novedoso en la informática al descubrir algoritmos de clasificación y hash más rápidos: dos procesos fundamentales que se utilizan billones de veces al día para clasificar, almacenar y recuperar datos.
Los algoritmos de clasificación afectan la forma en que todos los dispositivos digitales procesan y muestran información, desde clasificar los resultados de búsqueda en línea y las publicaciones sociales hasta las recomendaciones de los usuarios. AlphaDev descubrió un algoritmo que aumenta la eficiencia para ordenar secuencias cortas de elementos en un 70% y aproximadamente un 1,7% para secuencias de más de 250.000 elementos, en comparación con los algoritmos de la biblioteca C++. Entonces, cuando un usuario envía una consulta de búsqueda, el algoritmo de AlphaDev puede ayudar a ordenar los resultados más rápido. Cuando se utiliza a escala, ahorra enormes cantidades de tiempo y energía.
AlphaDev también descubrió un algoritmo más rápido para el hash de información, que a menudo se utiliza para el almacenamiento y recuperación de datos, como en una base de datos de clientes. Los algoritmos de hash suelen utilizar una clave (por ejemplo, el nombre de usuario “Jane Doe”) para generar un hash único, que corresponde a los valores de datos que deben recuperarse (por ejemplo, “número de pedido 164335-87”).
Como un bibliotecario que utiliza un sistema de clasificación para encontrar rápidamente un libro específico, con un sistema hash, la computadora ya sabe lo que busca y dónde encontrarlo. Cuando se aplicó al rango de funciones hash de 9 a 16 bytes en los centros de datos, el algoritmo de AlphaDev mejoró la eficiencia en un 30%.
Desde que se lanzaron los algoritmos de clasificación en el Biblioteca C++ estándar LLVM – reemplazar las subrutinas que se han utilizado durante más de una década con otras generadas por RL, y los algoritmos hash en el biblioteca de rapelmillones de desarrolladores y empresas están utilizando estos algoritmos en todas las industrias, como la computación en la nube, las compras en línea y la gestión de la cadena de suministro.
Herramientas de uso general para impulsar nuestro futuro digital
Desde jugar juegos hasta resolver problemas de ingeniería complejos en el corazón de cada dispositivo, nuestras herramientas de inteligencia artificial están ahorrando tiempo y energía a miles de millones de personas. Y esto es sólo el comienzo.
Visualizamos un futuro en el que más herramientas de IA de uso general puedan ayudar a optimizar todo el ecosistema informático que impulsa nuestro mundo digital. Pero para respaldar estas herramientas, necesitaremos una infraestructura digital más rápida, más eficiente y más sostenible.
Se necesitan muchos más avances teóricos y tecnológicos para lograr herramientas de IA totalmente generalizadas. Cuando se aplican a diversos desafíos en la tecnología, la ciencia y la medicina, este tipo de herramientas de propósito general tienen el potencial de ser verdaderamente transformadoras. Estamos entusiasmados con lo que hay en el horizonte.
Obtenga más información sobre los algoritmos de clasificación: