أحدث الأخبار مع #ستراتسن

الوطن

«إيفولف» وابتكار خوارزميات رائدة

كشفت شركة Google DeepMind عن نموذج جديد يحمل اسم AlphaEvolve، وهو وكيل ترميزي تطوري مصمم لاكتشاف خوارزميات جديدة وحلول علمية بشكل مستقل. وقد تم عرض هذا الإنجاز في ورقة بحثية بعنوان: «AlphaEvolve: وكيل ترميزي للاكتشاف العلمي والخوارزمي»، ويُعد هذا البحث خطوة أساسية نحو تحقيق الذكاء الاصطناعي العام (AGI) بل وحتى الذكاء الاصطناعي الفائق (ASI). وعلى عكس الأساليب التقليدية التي تعتمد على التوليف الدقيق الثابت أو البيانات المصنفة بشرياً، يسلك AlphaEvolve مساراً مختلفاً تماماً—يرتكز على الإبداع الذاتي، والابتكار الخوارزمي، والتحسين المستمر للذات. آلية عمل AlphaEvolve في صميم AlphaEvolve يوجد نظام تطوري متكامل مدعوم بنماذج لغوية ضخمة (LLMs). هذا النظام لا يقتصر على توليد المخرجات، بل يقوم بإحداث «طفرات»، وتقييم، واختيار، وتحسين الشيفرة البرمجية عبر أجيال متعددة. يبدأ AlphaEvolve ببرنامج أولي، ويقوم بتحسينه تدريجياً من خلال إدخال تغييرات منظمة ومدروسة بعناية. فهم الأسس العلمية لـ AlphaEvolve: يعتمد AlphaEvolve في جوهره على مبادئ الحوسبة التطورية، وهي فرع من الذكاء الاصطناعي مستوحى من نظرية التطور البيولوجي. يبدأ النظام بتنفيذ أساسي لشيفرة تُعد بمثابة «كائن أولي»، ثم يقوم بتعديلها عبر أجيال متعددة من خلال إدخال تغييرات (طفرات)، وتقييم مدى كفاءة كل نسخة باستخدام دالة تسجيل دقيقة. وتُعتمد النماذج الأفضل أداءً كأساس للجيل التالي. اكتشافات خوارزمية وتقدم رياضي أظهر AlphaEvolve قدرة مذهلة على تحقيق اكتشافات جديدة في مسائل خوارزمية أساسية. من أبرز إنجازاته، اكتشاف خوارزمية جديدة لضرب مصفوفتين معقدتين من نوع 4×4 باستخدام 48 عملية ضرب عددية فقط، متفوقاً بذلك على نتيجة ستراتسن (Strassen) لعام 1969 التي بلغت 49 عملية ضرب، وكاسراً سقفاً نظرياً دام 56 عاماً. وقد تحقق هذا الإنجاز من خلال تقنيات تحليل التنسور المتقدمة التي تطورت تدريجياً عبر العديد من التكرارات، متجاوزاً العديد من المنهجيات المتقدمة الأخرى. دلالات على الذكاء الاصطناعي العام والفائق يُعد AlphaEvolve أكثر من مجرد أداة تحسين؛ بل يُمثل لمحة عن مستقبل يتمكن فيه الوكلاء الذكيون من ممارسة الإبداع الذاتي. إن قدرة هذا النظام على صياغة مشكلات مجردة وتصميم مناهج لحلها تمثل خطوة محورية نحو الذكاء الاصطناعي العام، إذ تتجاوز التنبؤ بالبيانات إلى مجالات التفكير المنظم، وتكوين الاستراتيجيات، والتكيف مع التغذية الراجعة—وهي سمات جوهرية للسلوك الذكي. يمثل AlphaEvolve تقدماً عميقاً ليس فقط في أدوات الذكاء الاصطناعي، بل في فهمنا لماهية الذكاء الآلي نفسه. من خلال دمج البحث التطوري مع قدرات النماذج اللغوية في التفكير والتغذية الراجعة، يعيد AlphaEvolve تعريف ما يمكن للآلات اكتشافه ذاتيًا. وهو إشارة مبكرة ولكنها ذات دلالة على أن الأنظمة القادرة على تحسين ذاتها والتفكير العلمي الحقيقي لم تعد مجرد افتراضات نظرية. وعلى المدى البعيد، يمكن تطبيق بنية AlphaEvolve على نفسها بصورة متكررة: أي أن تطور أدوات تقييمها، وتحسّن منطق الطفرات، وتُعيد صياغة دوال التقييم، وتُحسّن آليات تدريب النماذج التي تعتمد عليها. وتمثل هذه الحلقة المغلقة من التحسين الذاتي آلية تقنية للانطلاق نحو الذكاء الاصطناعي العام، حيث لا يقتصر دور النظام على إنجاز المهام، بل يشمل تحسين البنية التحتية ذاتها التي تمكّنه من التعلم والتفكير.