谷歌 DeepMind 公布的“FunSearch”训练法：让 AI 模型能够解决复杂离散数学问题

今日不肯埋头，明日何以抬头！每日一句努力自己的话哈哈~哈喽，今天我将给大家带来一篇《谷歌 DeepMind 公布的“FunSearch”训练法：让 AI 模型能够解决复杂离散数学问题》，主要内容是讲解等等，感兴趣的朋友可以收藏或者有更好的建议在评论提出，我都会认真看的！大家一起进步，一起学习！

12 月 15 日消息，谷歌 DeepMind 日前公布了一种名为“FunSearch”的模型训练法，号称能够计算包含“上限级问题”、“装箱问题”在内的一系列“涉及数学、计算机科学领域的复杂问题”。

需要进行改写的内容是：▲ 图源：谷歌DeepMind（以下简称DeepMind）

据悉，FunSearch 模型训练法主要为 AI 模型引入了一个“评估器（Evaluator）”系统，AI 模型输出一系列“创意解题方法”，“评估器”则负责评判模型输出的解题办法，反复迭代后，就能训练出数学能力更强的 AI 模型。

谷歌的DeepMind使用PaLM 2模型进行测试，并建立了一个专用的“代码池”，用代码的形式输入一系列问题，设置了评估器流程。之后，模型会自动从代码池中挑选问题，在每次迭代中生成“具有创造性的新解法”，并提交给评估器进行评估。其中，“最佳解法”将重新加入到代码池中，开始另一轮迭代

本站注意到，FunSearch 训练法对“离散数学（Combinatorics）”特别擅长，经训练法锻炼后的模型，可以轻松解决极值组合数学问题，研究人员在新闻稿中便介绍了模型计算“上限级问题（数学中涉及计数和排列领域的一个中心问题）”的过程方法。

而且，研究团队还利用FunSearch训练技术成功解决了“装箱问题（Bin Packing Problem）”。这个问题是指如何用最少的容器来装下不同大小的物品。FunSearch提供了一种实时解决方案，并生成了一个程序，可以根据物品的实际体积自动进行调整

研究人员提到，与其他利用神经网络进行学习的 AI 训练法相比，经过 FunSearch 训练法锻炼后的模型，输出的代码更易于检查与部署，也就代表更容易被整合到实际工业环境中。

今天关于《谷歌 DeepMind 公布的“FunSearch”训练法：让 AI 模型能够解决复杂离散数学问题》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于人工智能,​谷歌,AI 模型的内容请关注golang学习网公众号！