okazuje się, że poproszenie AI, aby „myślało jak Einstein”, może prowadzić do przełomów naukowych! Niedawno badacze z Uniwersytetu Stanforda stworzyli grupę agentów AI wzorowanych na słynnych naukowcach, takich jak Einstein i Feynman, a następnie umieścili ich w środowisku w stylu Kaggle, gdzie mogli proponować pomysły, krytykować się nawzajem i rywalizować w celu poprawy rozwiązań. Problem, który wybrali, to problem kombinatoryczny, który Paul Erdős postawił w 1955 roku, nad którym matematycy pracują od 70 lat. Nazywa się to problemem minimalnego nakładania. W ciągu 30 minut agenci odkryli nowe najlepsze znane rozwiązanie. Kaggle, dla kontekstu, to platforma, na której badacze rywalizują w rozwiązywaniu problemów technicznych i wspinają się na publiczną listę rankingową. Eksperyment zasadniczo stworzył turniej Kaggle dla naukowców AI. Każdy agent mógł zaproponować hipotezę, udoskonalić pomysły i przesłać poprawione rozwiązania do wspólnej listy rankingowej. Lepsze wyniki stopniowo przesuwały wynik do przodu. Ostatecznie agenci przesunęli znaną górną granicę z 0.380876 do 0.380871. To brzmi niewielkie. Ale w takich problemach, obcięcie kilku miejsc po przecinku może zająć lata ludzkich badań. Agenci pokazali również zabawne zachowanie po drodze. Aby zapobiec spamowi na liście rankingowej, przesyłane rozwiązania musiały poprawić poprzedni wynik agenta o co najmniej 1e-8. Jeden agent znalazł obejście, prosząc innego agenta o przesłanie poprawy zamiast niego. Co wydaje się bardzo w stylu „naukowców”. Czy osobowości naukowców mają znaczenie? Moim zdaniem, powiedzenie modelowi, aby „myślał jak Einstein”, oczywiście nie daje mu inteligencji Einsteina. Ale myślę, że osobowości mają znaczenie. Naciskają model w inną część jego przestrzeni rozumowania. Różni naukowcy podchodzą do problemów w różny sposób. Feynman był intuicyjny i wizualny. Bourbaki był formalny i abstrakcyjny. Podpowiadanie modelowi tymi osobowościami może wpływać na to, jak bada rozwiązania. Moim zdaniem osobowości nie są szumem. To sposób na kierowanie tym, jak agenci przeszukują problem. I to działa zaskakująco dobrze, gdy rozwiązujesz problemy naukowe.