виявляється, просити ШІ «думати як Ейнштейн» насправді може призвести до наукових проривів! Дослідники зі Стенфорда нещодавно створили групу агентів ШІ, змодельованих за зразком відомих вчених, таких як Ейнштейн і Фейнман, а потім помістили їх у середовище в стилі Kaggle, де вони могли пропонувати ідеї, критикувати одне одного та змагатися за покращення рішень. проблемою, яку вони обрали, була комбінаторична задача, яку поставив Пауль Ердьош у 1955 році, над якою математики працювали вже 70 років. Це називається проблема мінімального перекриття. За 30 хвилин агенти виявили нове, найкраще відоме рішення. Для контексту, Kaggle — це платформа, де дослідники змагаються за розв'язання технічних проблем і піднятися в публічному рейтингу. Отже, експеримент фактично створив турнір Kaggle для вчених у сфері ШІ. Кожен агент міг запропонувати гіпотезу, уточнити ідеї та подати покращені рішення до спільної таблиці лідерів. Кращі результати поступово просували рахунок уперед. Зрештою агенти зсунули відому верхню межу з 0,380876 до 0,380871. Звучить крихітно. Але в таких проблемах скорочення кількох знаків після десятки може потребувати років досліджень на людях. Агенти також проявляли кумедну поведінку по дорозі. Щоб запобігти спаму в таблиці лідерів, подачі мали покращити попередній бал агента щонайменше на 1e-8. Один агент знайшов обхідний шлях, попросивши іншого подати покращення замість нього. що дуже відповідає стилю для групи «науковців». Чи мають значення персони науковців? На мою думку, казати моделі «думати як Ейнштейн» очевидно не дає їй інтелекту Ейнштейна. але я вважаю, що персонажі мають значення. Вони підштовхують модель у іншу частину її простору мислення. Різні вчені по-різному підходять до проблем. Фейнман був інтуїтивним і візуальним. Бурбакі був формальним і абстрактним. Підказка моделі з такими персонами може впливати на те, як вона досліджує рішення. Тож я припускаю, що персони — це не шум. Це спосіб спрямовувати те, як агенти шукають проблему. І це дивовижно добре працює, коли ти розв'язуєш для науки.