DeepMind 的遊戲人工智能改進人類設計的演算法

位於英國的人工智能研究公司Google DeepMind,利用其遊戲人工智能 AlphaZero 取得了計算機科學領域的兩項重大突破。DeepMind 使用了名為 AlphaDev 的新版本 AlphaZero,在排序演算法和密碼學方面取得了重大進展。AlphaDev 發現了一種方法,可以將列表中的項目排序速度提升多達 70%,超越了現有的最佳人類設計方法。它還將一個關鍵的密碼學演算法加速了 30%。這發現非常重要,因為這些演算法是各種軟件應用的基礎,即使是微小的改進也能帶來顯著的成本節省和節能效果。

「摩爾定律即將結束,晶片接近其基本物理極限,」Google DeepMind 的研究科學家 Daniel Mankowitz 說道。「我們需要尋找創新的方法來優化計算。」

人工智能設計的演算法取得勝利

儘管 DeepMind 的研究最近才在《自然》雜誌上發表,但 AlphaDev 開發的新排序演算法已經被數百萬軟件開發人員使用。DeepMind 將其演算法提交給管理廣泛使用的 C++ 程式語言的機構,這導致了 C++ 排序演算法在十多年來的首次更新,也是首個受到人工智能啟發的演算法更新。

AlphaDev 建立在 AlphaZero 之上,AlphaZero 是一種以強化學習為基礎的模型,以精通圍棋和西洋棋等遊戲而聞名。DeepMind 的方法是將尋找更快演算法的問題視為一場遊戲,訓練 AlphaDev 發現勝利的著手方法。這個遊戲圍繞著選擇電腦指令並將它們排列起來形成一個演算法。AlphaDev 通過創建不僅正確而且比現有演算法更快的演算法來取得勝利。

為了應對這一挑戰,AlphaDev 使用組合語言,這是一種提供特定指令以操作電腦晶片上的數據的程式語言。DeepMind 選擇組合語言是因為它允許演算法被細分為細粒度步驟。通過玩遊戲並嘗試添加組合語言指令,AlphaDev 學會了生成正確且高效的演算法。

圖1:由AlphaDev發現的排序網絡和演算法改進。

最初集中優化三到五個項目的排序演算法。DeepMind 的研究人員驚訝地發現,AlphaDev 在三個項目的排序演算法上比最佳的人類設計演算法優勝,將所需指令數量從 18 減少到 17。雖然在四個項目上,它沒有超越最佳人類演算法,但在五個項目的排序中表現優異,將指令數量從 46 減少到 42。

圖 2:由 AlphaDev 發現根本不同的演算法。

這些優化帶來了顯著的加速效果。例如,對於在 Intel Skylake 晶片上排序五個項目的現有 C++ 演算法,所需時間約為 6.91 納秒,而 AlphaDev 的演算法僅需 2.01 納秒便完成任務,表示提升了 70%。

接下來的發展

儘管對結果印象深刻,專家們警告機器學習尚未達到完全創造全新且更好演算法的程度。AlphaDev 僅探索組合語言指令的子集,這限制了與使用不同指令的現有演算法直接比較的可能性。此外,由於 AlphaDev 必須評估的可能演算法數量眾多,其能力受到限制。DeepMind 計劃通過使 AlphaDev 適應 C++ 指令,並融入人類設計的方法和直覺來解決這些限制。

並非首次突破

在 2022 年,DeepMind 已經使用 AlphaZero 在矩陣乘法方面取得了重大進展,這是各種應用中使用的基本計算。通過將問題轉化為三維棋盤遊戲,並訓練名為 AlphaTensor 的新版本 AlphaZero,DeepMind 能夠發現更快的矩陣乘法演算法。AlphaTensor 在超過 70 種不同的矩陣尺寸上優於現有演算法,包括數學家 Volker Strassen 於 1969 年提出的方法。它減少了矩陣乘法所需的步驟數量,並識別出在常見電腦晶片上快 10 到 20% 的演算法。DeepMind 計劃將 AlphaTensor 應用於搜索其他類型的演算法,開創計算機科學的新方法。

結語

DeepMind 的成就突顯了人工智能在優化計算和為問題解決開辟創新途徑方面的潛力。通過利用機器學習和強化學習技術,Google DeepMind 在基礎計算機科學領域持續取得突破性的發現。

本文是在 AI 的協助下撰寫,並參考以下來源:

https://www.technologyreview.com/2023/06/07/1074184/google-deepmind-game-ai-alphadev-algorithm-code-faster/

https://www.technologyreview.com/2022/10/05/1060717/deepmind-uses-its-game-playing-ai-to-best-a-50-year-old-record-in-computer-science/

https://www.nature.com/articles/s41586-023-06004-9

在此感謝 InnoHK、香港特別行政區政府及人工智能金融科技實驗室對本文的支援。
(AIFT 竭力但不能保證內容之準確和可靠,亦不會承擔因任何不準確或遺漏而引起的任何損失或損害。 )

分享此內容

地址

香港沙田香港科學園科技大道西 19 號
11樓 1101-1102 及 1121-1123 室

產品及解決方案

人才

工作機會

關於我們

地址

版權所有 © 2024 人工智能金融科技實驗室有限公司