中新網(wǎng)北京12月15日電 (記者 孫自法)國(guó)際著名學(xué)術(shù)期刊《自然》最新發(fā)表一篇人工智能研究論文稱，研究人員報(bào)告了一種方法，他們利用一個(gè)大語(yǔ)言模型(LLM)對(duì)一個(gè)著名的數(shù)學(xué)問題作出了新發(fā)現(xiàn)，并通過(guò)系統(tǒng)的、迭代的評(píng)估框架確保正確。這一方法或可改進(jìn)LLM用來(lái)解決問題和學(xué)習(xí)新知識(shí)的途徑。

　　該論文介紹，基于人工智能的工具(例如LLM)有望加速科學(xué)發(fā)現(xiàn)，解決長(zhǎng)久存在的問題，但它們有時(shí)受制于“幻覺”，導(dǎo)致作出看似合理但錯(cuò)誤的陳述。加入一個(gè)評(píng)估步驟，系統(tǒng)地衡量潛在解決方案的準(zhǔn)確性，使得靠LLM幫助應(yīng)對(duì)復(fù)雜問題成為可能。這些問題一般需要可驗(yàn)證且定義明確，使這一工具在數(shù)學(xué)科學(xué)中有潛在價(jià)值。

　　論文第一作者和通訊作者、Google DeepMind的Bernardino Romera-Paredes和Alhussein Fawzi與同事及合作者一起提出一種方法，稱為FunSearch(因?yàn)樗阉骱瘮?shù)空間)，將一組產(chǎn)生創(chuàng)造性解決方案的LLM和一個(gè)作為檢查者以避免錯(cuò)誤建議的評(píng)估程序結(jié)合起來(lái)。一個(gè)多次迭代此過(guò)程的演化方法，通過(guò)提供此前最佳解決辦法作為輸入來(lái)引導(dǎo)LLM，結(jié)果表明這種方法可以收斂到新的、可驗(yàn)證的正確結(jié)果。他們將FunSearch應(yīng)用到了著名的上限集問題(cap set problem，數(shù)學(xué)中涉及計(jì)數(shù)和排列領(lǐng)域的一個(gè)中心問題)，發(fā)現(xiàn)了超越最著名上限集的大上限集新構(gòu)造。

　　論文作者認(rèn)為，F(xiàn)unSearch的成功關(guān)鍵是它會(huì)尋找描述如何解決一個(gè)問題的程序，而非尋找解決辦法。因?yàn)镕unSearch的結(jié)果是程序，結(jié)果易于人類解釋和驗(yàn)證，這意味著該方法有望激發(fā)該領(lǐng)域的進(jìn)一步思考。

　　他們補(bǔ)充指出，目前，這個(gè)方法可能還不適合所有類型的挑戰(zhàn)，但通過(guò)未來(lái)改進(jìn)或可使FunSearch應(yīng)用于更大范圍的問題。(完)