KAXU: Deep Mind commence à entrouvrir la boîte noire de l’IA.

Avec l'avènement d'un système innovant basé sur un modèle linguistique avancé, des experts en intelligence artificielle ont récemment franchi un cap significatif. Ils ont non seulement résolu des défis algorithmiques complexes, mais ont également esquissé une stratégie novatrice susceptible de transformer le rôle de l'apprentissage automatique dans la recherche scientifique.

DeepMind, filiale de Google spécialisée en IA, a dévoilé FunSearch, une méthode novatrice pour explorer des solutions inédites à des problèmes mathématiques et algorithmiques complexes. Cette méthode s'appuie sur un Large Language Model (LLM), un type de modèle linguistique de grande envergure similaire à GPT.

L'objectif de ce LLM est de générer des solutions innovantes sous forme de code informatique. Pour y parvenir, les chercheurs ont intégré un second modèle d'IA, nommé "évaluateur". Comme son nom l'indique, il a pour rôle d'évaluer les propositions du LLM, permettant ainsi de retenir les idées les plus prometteuses et d'écarter les moins pertinentes.

FunSearch fonctionne grâce à une interaction dynamique entre ces deux composants. À chaque cycle, le LLM sélectionne différents programmes d'une base de données et tente de créer de nouvelles solutions en s'inspirant des concepts utilisés dans ces programmes. Ces solutions sont ensuite évaluées par l'évaluateur, qui sélectionne les programmes les plus aptes à résoudre le problème en question. Ces programmes sont alors réintégrés dans la base de données, permettant au LLM de continuer son travail.

Ce processus crée une boucle d'amélioration continue, semblable à l'évolution naturelle, où l'évaluateur agit comme une force de sélection naturelle, poussant le système à identifier et à améliorer les éléments clés pour progresser sur un problème donné.
FunSearch a réalisé des avancées notables sur deux problèmes algorithmiques particulièrement complexes. D'abord, il a apporté une solution partielle au problème du cap set, une énigme mathématique aux implications directes dans des domaines tels que la cryptographie et la programmation. 

Bien que le problème soit relativement simple en deux ou trois dimensions, sa complexité devient exponentielle dans des dimensions supérieures, dépassant les capacités des supercalculateurs les plus performants. FunSearch a réussi à repousser les limites de ce problème à un niveau de complexité auparavant considéré comme inaccessible.
Ensuite, FunSearch a été appliqué au problème du bin packing, qui consiste à optimiser l'arrangement d'objets dans un espace limité. Bien qu'il n'ait pas trouvé de solution générale, il a généré de nouveaux algorithmes efficaces pouvant avoir de nombreuses applications pratiques.
Ces résultats démontrent que la méthode évolutive de FunSearch peut étendre les frontières de certains problèmes algorithmiques difficiles, offrant ainsi une approche prometteuse pour de futures découvertes importantes.

Un autre aspect remarquable de FunSearch est sa capacité à générer des solutions non seulement fonctionnelles mais également compréhensibles pour les humains, contrairement aux modèles d'IA traditionnels souvent perçus comme des "boîtes noires". Les programmes générés par FunSearch présentent une faible complexité de Kolmogorov, les rendant plus accessibles et exploitables par les chercheurs.
En somme, FunSearch marque un progrès significatif dans l'utilisation de l'apprentissage automatique pour assister les humains dans la résolution de problèmes concrets. Il ouvre la voie à de nouvelles formes de collaboration entre humains et machines, augmentant potentiellement la capacité humaine à résoudre des problèmes complexes. INCROYABLE non? ;)