A Google DeepMind kutatói azt állítják, hogy elsőként tettek valódi tudományos felfedezést egy nagy nyelvi modell segítségével, ami azt sugallja, hogy a ChatGPT, a Bard és más chatbotok mögött álló technológia képes az emberi tudást meghaladó információkat generálni – ahelyett, hogy csak a tanításuk során betáplált információkat csomagolják újra.

A FunSearch nevű AI-rendszer a Google nagy nyelvi modelljére, a PaLM 2-re épül, amit egy tényellenőrző funkcióval láttak el. A rendszer számítógépes programok formájában nyújt megoldásokat különböző matematikai problémákra, majd automatikusan rangsorolja azokat aszerint, hogy mennyire jól teljesítenek. A legjobb programokat ezután kombinálják és visszatáplálják a nyelvi modellnek, amely végül érthető, emberi nyelven magyarázza el a lehető legjobb megoldást.

Ez a megközelítés abban különbözik a DeepMind korábbi (például az időjárás-előrejelzést vagy a fehérjekutatást forradalmasító) áttöréseitől, hogy míg azokat a modelleket egy konkrét feladatra tanították be az adott területhez szükséges adatok betáplálásával, addig a FunSearch egy általános válaszadásra képes nagy nyelvi modellre épül, így sokkal szélesebb körben használható.

A kutatók két feladatra állították rá alaposabban a rendszert. Az egyik az affin geometriában ismert, úgynevezett „cap set problem”, amelyben meg kell találni a tér azon pontjainak legnagyobb halmazát, ahol három pont nem alkot egyenes vonalat – a FunSearch erre olyan programokat hozott létre, amelyek új, nagy halmazokat generáltak, és túlmutatnak a matematikusok által eddig megtalált eredményeken.

A másik feladatban arra keresték a megoldást, hogy miként lehet különböző méretű tárgyakat a lehető leghatékonyabban bepakolni egy tárolóedénybe. Ennek a valóságban például a szállítmányozásban, a konténerekbe való rakodásnál van jelentősége, de a matematika számos területén érvényes probléma, például amikor az adatközpontokban a számítási feladatok ütemezését próbálják hatékonyan megoldani. A Nature-ben közölt friss eredmények szerint a FunSearch olyan megközelítést talált erre a problémára, amivel elkerülhető, hogy olyan kis rések maradjanak a tárolókban, amelyeket később nem lehet betölteni.

„Az elmúlt két-három évben voltak izgalmas példák arra, amikor matematikusok együttműködtek a mesterséges intelligenciával, hogy előrelépést érjenek el a megoldatlan problémákban. A friss eredmények egy újabb nagyon érdekes eszközt adhatnak a hasonló együttműködésekhez, és lehetővé tehetik a matematikusoknak, hogy hatékonyan keressenek okos és váratlan megközelítéseket, amelyek emberileg is értelmezhetők” – mondta a Guardiannek Tim Gowers, a Cambridge-i Egyetem matematikaprofesszora, aki nem vett részt a kutatásban.

A DeepMind most azoknak a tudományos problémáknak a körét igyekeznek feltárni, ahol a FunSearch az emberi kutatók segítségére lehet. A rendszer elérhetőségét korlátozza, hogy az olyan területeken – például a biológiában – nem tud segíteni, ahol a hipotéziseket gyakran laboratóriumi kísérletekkel kell tesztelni. Ellenben például a programozóknak nagy segítséget nyújthat, hogy megtalálják a legjobb megoldást nyújtó kódokat.

Jordan Ellenberg, a tanulmány társszerzője szerint az ember és a gép közötti interakciókat is alapjaiban változtathatja meg a felfedezés: „A FunSearch a megoldás generálása helyett egy programot generál, ami megtalálja a megoldást. Egy adott probléma megoldása ugyanis nem biztos, hogy rálátást ad arra, hogyan kell megoldani más kapcsolódó problémákat. Viszont egy program, ami megtalálja a megoldást, és emberi nyelven el is tudja magyarázni, ötleteket adhat újabb és újabb problémák megoldásához is.”