Investigadores de Google utilizan el historial de búsqueda de la IA para reducir el costo de la auto-mejora
aiinsider ·
Los investigadores de Google han desarrollado Dream-RSI, un marco que aprovecha el historial de búsqueda de un agente de IA para reducir los costos asociados con el descubrimiento automatizado y la auto-mejora. En lugar de volver a entrenar el modelo subyacente, el sistema registra las búsquedas anteriores como árboles que contienen resultados y costos computacionales, lo que permite a los agentes probar estrategias alternativas de exploración en un entorno de reproducción simulada. Este enfoque facilita la selección de políticas más eficientes para futuras búsquedas en vivo sin repetir experimentos costosos. En pruebas realizadas en ocho tareas que involucran ingeniería de algoritmos, optimización matemática y programación GPU, Dream-RSI igualó o superó a los métodos competidores mientras reducía significativamente el número de llamadas requeridas al agente de IA. Por ejemplo, en el diseño de algoritmos estadísticos, el sistema logró tiempos de ejecución más rápidos utilizando menos de la mitad de las llamadas al agente en comparación con las políticas de exploración fijas. El estudio destaca que mejorar cómo una IA asigna recursos durante una búsqueda puede ser más efectivo que depender de orientación escrita de alto nivel basada en intentos anteriores. Sin embargo, el método tiene limitaciones debido a su incapacidad para predecir resultados en ramas no exploradas, aunque ofrece un camino práctico hacia una auto-mejora recursiva más eficiente.
aiinsider