可令 AI 模型计算复杂离散数学问题，谷歌 DeepMind 公布“FunSearch”训练法

CTOnews.com 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"。

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 DeepMind 使用 PaLM 2 模型进行测试，研究人员建立了专用"代码池"，使用代码形式为模型输入一系列问题，并设置了评估器流程，之后模型便会在每一次迭代中，自动从代码池中挑选问题，生成"具有创造性的新解法"，并交由评估器进行评估，其中"最佳解法"将会被重新加入到代码池中，重新开始另一次迭代。

CTOnews.com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。

此外，研究人员也成功使用 FunSearch 训练法解决了"装箱问题（Bin Packing Problem）"，这是一个"将不同大小物品放进最少数量容器"的问题，FunSearch 为"装箱问题"提供了一种"即时性"的解决方案，生成一项"根据物品现有体积自动进行调整"的程序。

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。