في خطوة قد تُعيد رسم حدود الابتكار العلمي، كشفت شركة Google DeepMind عن نظام ثوري يُدعى AlphaEvolve، يمثل قفزة نوعية في توظيف الذكاء الاصطناعي لحل مشكلات رياضية وخوارزمية معقدة طالما حيّرت العلماء لعقود.
“نص خبر” ـ متابعة
ما يميز AlphaEvolve ليس فقط قدرته على تسريع الحلول، بل ابتكاره لطرق جديدة بالكامل، عبر الدمج بين إبداع نماذج اللغة الكبيرة (LLMs) وخوارزميات تقييم تفاعلية تُنقّح وتُطوّر الأفكار بشكل ذاتي ومتدرج.
نموذج يُبدع لا يُقلّد: تطور ذاتي وابتكار خوارزميات جديدة
AlphaEvolve يختلف عن الأدوات السابقة التي اعتمدت على ذكاء اصطناعي مصمّم خصيصًا لمهام محددة. فهو نموذج عام متعدد الاستخدامات، قادر على معالجة قضايا علمية في مجالات متعددة، عبر ما يشبه دورة تطورية للأفكار.
تبدأ العملية من إدخال مسألة علمية ومعايير للحل، ثم يقترح النموذج مئات التعديلات، تقوم خوارزمية داخلية بتقييمها وفرز الأنسب منها، لتولد عنها حلول جديدة أكثر تطورًا. هكذا، يتطور النظام بشكل ذاتي، ويُنتج أفكارًا مبتكرة تمامًا دون تدخّل بشري مباشر.
من المختبر إلى الواقع: تطبيقات AlphaEvolve في Google
ووفقًا لما نشره موقع Scientific American، لم يبقَ AlphaEvolve مجرد تجربة نظرية في المختبر، بل أثبت فعاليته في أرض الواقع داخل شركة Google نفسها.
فقد ساهم في تحسين تصميم الجيل الجديد من معالجات الذكاء الاصطناعي (TPUs)، كما أعاد تنظيم طريقة توزيع المهام الحوسبية في مراكز بيانات جوجل حول العالم، ما أدى إلى توفير 0.7% من إجمالي موارد الشركة — وهي نسبة ضخمة عند الحديث عن بنية تحتية بحجم غوغل.
تفوق رياضي تاريخي: خوارزمية لضرب المصفوفات تتجاوز إنجاز 1969
واحدة من أبرز مفاجآت AlphaEvolve كانت ابتكار خوارزمية جديدة لضرب المصفوفات تتفوق – في بعض الحالات – على الطريقة الأسرع المعروفة حتى اليوم، والتي ابتكرها الرياضي الألماني فولكر شتراسن عام 1969. مثل هذه العمليات أساسية في تدريب الشبكات العصبية، ما يعكس البعد الاستراتيجي لاكتشاف كهذا.
نقلة نوعية في الحجم والتعقيد: AlphaEvolve يتفوق على FunSearch
بُني AlphaEvolve على أساس نظام FunSearch الذي أُطلق في 2023، والذي أظهر قدرة على حل مسائل رياضية غير محلولة. إلا أن AlphaEvolve يتميز بقدرته على معالجة شيفرات أكبر وخوارزميات أكثر تعقيدًا، بالإضافة إلى اتساع نطاق تطبيقه في العلوم والهندسة.
تحفظات علمية: دعوات لتجارب مفتوحة وتقييم جماعي
ورغم الإشادات، يقرّ علماء مثل سيمون فريدر من جامعة أوكسفورد أن إمكانات AlphaEvolve قد تظل محدودة بالمهام القابلة للتحويل إلى أكواد قابلة للتقييم. كما دعا باحثون مثل هوان صن إلى الحذر، مطالبين بتجارب مفتوحة ضمن المجتمع العلمي قبل الحكم النهائي على قدرات النظام.
بين الطاقة والتكلفة: مستقبل إتاحة AlphaEvolve للمجتمع العلمي
ورغم أن تشغيل AlphaEvolve أقل استهلاكًا للطاقة من AlphaTensor، إلا أن كلفته لا تزال مرتفعة بما يمنع توفيره للجمهور حاليًا. مع ذلك، تأمل Google DeepMind أن يدفع هذا التقدم الباحثين إلى اقتراح مجالات جديدة لتجريب هذا النظام، مؤكدة التزامها بإتاحة أدواته تدريجيًا أمام المجتمع العلمي العالمي.