DeepMind 公开了 FunSearch 训练法，可以让 AI 模型进行离散数学计算

谷歌 DeepMind 在 12 月 15 日公布了一种名为“FunSearch”的模型训练法。据称，该模型能够解决一系列“涉及数学、计算机科学领域的复杂问题”，包括“上限级问题”和“装箱问题”

需要重写的内容是：▲ 图源 谷歌 DeepMind（下同）

FunSearch 模型训练法据悉引入了一个名为“评估器”的系统，该系统用于评判 AI 模型输出的创意解题方法。通过反复迭代，这一方法能够训练出数学能力更强的 AI 模型

Google DeepMind使用PaLM 2模型进行测试，研究人员建立了专用的代码池，通过以代码形式作为模型的输入一系列问题，并设置了评估流程。在每次迭代中，模型会自动从代码池中选择问题，生成具有创造性的新解决方案，并交由评估器进行评估。最佳解决方案将重新加入代码池，开始下一次迭代

FunSearch训练法在IT之家的报道中提到，该方法在“离散数学（Combinatorics）”方面表现出色，经过训练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。