谷歌的人工智能子公司 DeepMind 有了另一个惊人的发现。在今天发表在《自然》杂志上的一篇新论文中,研究人员透露,他们发现了一种排序算法,它比以前最著名的 C++ 方法快 70%,这一壮举有望在计算领域产生深远的影响。
随着计算机芯片由于其纳米级晶体管而接近基本物理极限,对更高软件效率和优化的需求变得越来越重要。DeepMind 新排序算法的承诺可以提供急需的缓解,因为人工智能是发现新优化途径的关键合作伙伴。
最近的成就是通过将以精通国际象棋和围棋等复杂游戏而闻名的 AlphaZero AI 改编为名为 AlphaDev 的以代码为中心的版本。AlphaDev AI 能够释放与精通游戏相同的强化学习能力,方法是将一篮子复杂的计算机指令视为一组潜在的游戏动作。
使用汇编语言——一种为在芯片上操作数字提供明确指令的低级编程语言——AlphaDev 展示了其重塑我们对代码效率理解的潜力。虽然大多数程序员使用在运行时翻译成汇编的高级语言(如 C++)工作,但最终决定程序性能的是这些汇编级指令的效率。
DeepMind 的研究人员将他们的精力集中在对包含三到五个项目的列表进行排序的算法上。虽然这些基本排序算法看似微不足道,但它们构成了更高级计算任务的构建块,每天在全球执行数万亿次。因此,对这些基本算法的任何改进都可能产生巨大的影响。
几十年来,这些相同的短算法也一直是人类审查和优化的主题,最近一次对 C++ 的排序算法更新是在十多年前到来的。然而,AlphaDev 证明仍有改进的空间。
AlphaDev 发现一个三项排序算法,其最佳人类版本是用 18 条指令实现的,可以减少到仅 17 条指令。类似地,通常需要 46 条指令的五个项目列表的排序算法只用了 42 步就实现了。仅通过 4 条指令缩短排序算法就可以将速度提高 70%。
这一发现不仅让 DeepMind 自己的研究人员感到惊讶,而且还证明了人工智能具有寻找非常规但有效的解决方案的不可思议的能力。同样的潜力在 2016 年得到了证明,当时 DeepMind 的 AlphaGo AI 以人类围棋大师从未想过的一系列意想不到的“怪异”走法击败了卫冕人类冠军。
在算法领域之外,DeepMind 的研究也为生物领域带来了进步。在短短 18 个月的时间里,DeepMind 的 AlphaFold AI预测了迄今为止所有已知蛋白质的蛋白质结构——惊人的总数超过 2 亿个结构。
谷歌 DeepMind 的研究科学家丹尼尔·曼科维茨 (Daniel Mankowitz) 表示,“老实说,我们没想到会比现有算法取得更好的成绩”。“但令我们惊讶的是,我们设法让它变得更快。我们最初认为这是一个错误或错误或其他什么,但当我们分析程序时,我们意识到 AlphaDev 实际上已经发现了一些东西。”
韭菜热线原创版权所有,发布者:弗里曼,转载请注明出处:https://www.9crx.com/72097.html