Make this article seo compatible,Let there be subheadings for the article, be in french, create at least 700 wordsLes chercheurs en intelligence artificielle affirment avoir réalisé la première découverte scientifique au monde en utilisant un grand modèle de langage, une percée qui suggère que la technologie derrière ChatGPT et des programmes similaires peuvent générer des informations qui vont au-delà des connaissances humaines.Cette découverte est issue de Google DeepMind, où les scientifiques étudient si les grands modèles de langage, qui sous-tendent les chatbots modernes tels que ChatGPT d’OpenAI et Bard de Google, peuvent faire plus que reconditionner les informations apprises lors de la formation et proposer de nouvelles informations. »Lorsque nous avons démarré le projet, rien n’indiquait qu’il produirait quelque chose de véritablement nouveau », a déclaré Pushmeet Kohli, responsable de l’IA pour la science chez DeepMind. « Pour autant que nous le sachions, c’est la première fois qu’une véritable et nouvelle découverte scientifique est réalisée par un grand modèle de langage. »Les grands modèles de langage, ou LLM, sont de puissants réseaux neuronaux qui apprennent les modèles de langage, y compris le code informatique, à partir de grandes quantités de texte et d’autres données. Depuis l’arrivée éclair de ChatGPT l’année dernière, la technologie a débogué des logiciels défectueux et produit de tout, des essais universitaires et itinéraires de voyage aux poèmes sur le changement climatique dans le style de Shakespeare.Mais même si les chatbots se sont révélés extrêmement populaires, ils ne génèrent pas de nouvelles connaissances et sont enclins à la confabulation, conduisant à des réponses qui, conformément aux meilleurs ennuis des pubs, sont fluides et plausibles, mais très imparfaites.Pour créer « FunSearch », abréviation de « recherche dans l’espace des fonctions », DeepMind a exploité un LLM pour écrire des solutions à des problèmes sous la forme de programmes informatiques. Le LLM est associé à un « évaluateur » qui classe automatiquement les programmes en fonction de leurs performances. Les meilleurs programmes sont ensuite combinés et renvoyés au LLM pour être améliorés. Cela pousse le système à faire évoluer progressivement des programmes médiocres vers des programmes plus puissants, capables de découvrir de nouvelles connaissances.Les chercheurs ont lancé FunSearch sur deux énigmes. Le premier était un défi de longue date et quelque peu obscur en mathématiques pures, connu sous le nom de problème de fixation du plafond. Il s’agit de trouver le plus grand ensemble de points dans l’espace où aucun point ne forme une ligne droite. FunSearch a produit des programmes qui génèrent de nouveaux ensembles de grandes capitalisations qui vont au-delà du meilleur proposé par les mathématiciens.Le deuxième casse-tête était le problème de l’emballage des bacs, qui consiste à rechercher les meilleurs moyens d’emballer des objets de différentes tailles dans des conteneurs. Même si cela s’applique aux objets physiques, comme la manière la plus efficace de disposer les cartons dans un conteneur d’expédition, les mêmes calculs s’appliquent à d’autres domaines, comme la planification des tâches informatiques dans les centres de données. Le problème est généralement résolu soit en plaçant les articles dans le premier bac qui a de la place, soit dans le bac avec le moins d’espace disponible où l’article peut encore tenir. FunSearch a trouvé une meilleure approche qui évite de laisser de petites lacunes qui ne seront probablement jamais comblées, selon les résultats publiés dans Nature. »Au cours des deux ou trois dernières années, il y a eu des exemples passionnants de mathématiciens humains collaborant avec l’IA pour faire progresser des problèmes non résolus », a déclaré Sir Tim Gowers, professeur de mathématiques à l’Université de Cambridge, qui n’a pas participé à la recherche. « Ce travail nous offre potentiellement un autre outil très intéressant pour de telles collaborations, permettant aux mathématiciens de rechercher efficacement des constructions intelligentes et inattendues. Mieux encore, ces constructions sont humainement interprétables.Les chercheurs explorent désormais l’éventail de problèmes scientifiques que FunSearch peut résoudre. Un facteur limitant majeur est que les problèmes doivent avoir des solutions qui peuvent être vérifiées automatiquement, ce qui exclut de nombreuses questions en biologie, où les hypothèses doivent souvent être testées par des expériences en laboratoire.ignorer la promotion de la newsletter passéeAlex Hern se penche chaque semaine sur la façon dont la technologie façonne nos vies », »newsletterId »: »tech-scape », »successDescription »: »La plongée hebdomadaire d’Alex Hern dans la façon dont la technologie façonne nos vies »} » config= » »renderingTarget »: »Web », »darkModeAvailable »:false « >Avis de confidentialité: Les newsletters peuvent contenir des informations sur des organismes de bienfaisance, des publicités en ligne et du contenu financé par des tiers. Pour plus d’informations, consultez notre Politique de confidentialité. Nous utilisons Google reCaptcha pour protéger notre site Web et la politique de confidentialité et les conditions d’utilisation de Google s’appliquent.après la promotion de la newsletterL’impact le plus immédiat pourrait concerner les programmeurs informatiques. Au cours des 50 dernières années, le codage s’est largement amélioré grâce à la création d’algorithmes toujours plus spécialisés par les humains. « Cela va en fait transformer la façon dont les gens abordent l’informatique et la découverte algorithmique », a déclaré Kohli. « Pour la première fois, nous constatons que les LLM ne prennent pas le relais, mais contribuent clairement à repousser les limites de ce qui est possible dans les algorithmes. »Jordan Ellenberg, professeur de mathématiques à l’Université du Wisconsin-Madison et co-auteur de l’article, a déclaré : « Ce que je trouve vraiment passionnant, encore plus que les résultats spécifiques que nous avons trouvés, ce sont les perspectives que cela suggère pour l’avenir de interaction homme-machine en mathématiques.« Au lieu de générer une solution, FunSearch génère un programme qui trouve la solution. Une solution à un problème spécifique peut ne me donner aucune idée de la façon de résoudre d’autres problèmes connexes. Mais un programme qui trouve la solution, c’est quelque chose qu’un être humain peut lire et interpréter et, espérons-le, générer ainsi des idées pour le prochain problème et le suivant et le suivant.
Source link -57