Svijet umjetne inteligencije neprestano nas iznenađuje, pomičući granice mogućeg i otvarajući nove vidike. Dok su sustavi poput AlphaEvolva, razvijenog od strane DeepMinda, pokazali izvanredne sposobnosti u rješavanju unaprijed definiranih problema, pojavljuje se novi igrač koji bi mogao redefinirati sam pojam napretka u AI-u. Riječ je o Shinka Evolvu, sustavu koji je razvio Sakana AI. Njegova ključna inovacija nije samo u pronalaženju optimalnih rješenja, već u sposobnosti da samostalno otkriva, pa čak i stvara probleme koje potom rješava. Ovaj revolucionarni pristup, o kojem se raspravljalo u nedavnom podcastu Machine Learning Street Talk s Robertom Langeom, jednim od osnivača Sakana AI, sugerira da budućnost razvoja umjetne inteligencije leži u otvorenom, samousmjerenom istraživanju, a ne samo u optimizaciji postojećih zadataka.
Ograničenja fiksiranih problema: Zašto AlphaEvolve nailazi na prepreke
Dugi niz godina, istraživanja u području umjetne inteligencije uglavnom su se fokusirala na optimizaciju performansi unutar jasno definiranih parametara. Primjeri poput AlphaGoa koji je svladao igru Go ili AlphaFoldu koji predviđa strukture proteina, predstavljaju nevjerojatna postignuća. Međutim, ti sustavi operiraju u prostoru problema koji su prethodno definirali ljudi. AlphaEvolve, unatoč svojoj snazi, pripada ovoj kategoriji. On je izvrstan u pronalaženju najboljeg rješenja za zadani zadatak, ali zahtijeva ljudske stručnjake da taj zadatak uopće identificiraju i formuliraju. Kako objašnjava Robert Lange, to je poput briljantnog studenta koji može položiti svaki ispit, ali mu je teško samostalno osmisliti pitanja.
Temeljno ograničenje ovakvih sustava jest da su dizajnirani za optimizaciju prema fiksiranom cilju. Jednom kada je taj cilj postignut ili se dosegne plato, sustav se može zaglaviti. Nedostaje mu inherentni poticaj ili mehanizam za istraživanje izvan granica početnog programiranja. Upravo tu Shinka Evolve uvodi fundamentalno drugačiji pristup. Umjesto da samo rješava probleme, on teži zajedničkom razvoju problema i njihovih rješenja. Ovo je slično biološkoj evoluciji, gdje organizmi i njihova okruženja neprestano utječu jedni na druge, što dovodi do emergentne složenosti i novih adaptacija.
Shinka Evolve crpi inspiraciju iz nekoliko ključnih područja istraživanja umjetne inteligencije, uključujući POET (Paired Open-Ended Discoverer), PowerPlay i MAP-Elites (Multi-dimensional Archive of Phenotypic Elites). Ti okviri istražuju koncept pretraživanja otvorenog tipa s naglaskom na kvalitetu i raznolikost, s ciljem otkrivanja širokog spektra različitih rješenja za različite zadatke, umjesto samo jednog, najboljeg rješenja. Kombinirajući ove ideje s evolucijskim algoritmima, Shinka Evolve stvara sustav koji može kontinuirano generirati nove izazove za sebe, osiguravajući time neprekidni napredak i sprječavajući stagnaciju koja može zadesiti sustave fokusirane isključivo na optimizaciju.
Arhitektura inovacije: Kako Shinka Evolve uči i razvija se
Unutarnji mehanizmi Shinka Evolva jednako su inovativni kao i njegova filozofija. U svojoj srži, sustav koristi arhivu programa, strukturiranu tako da podržava evoluciju i otkrivanje novih zadataka. Ključni element je mehanizam koji omogućuje programima da se natječu i surađuju, ne samo u rješavanju zadataka, već i u njihovom stvaranju. Kada program postane previše efikasan u rješavanju postojećeg problema, sustav ga potiče da stvori složeniji ili drugačiji problem. To se postiže manipulacijom okruženja ili parametara zadatka, čime se stvara nova