Исследователи Google используют историю поиска ИИ для снижения стоимости самосовершенствования
aiinsider ·
Исследователи Google разработали Dream-RSI — фреймворк, который использует историю поиска агента ИИ для снижения затрат на автоматическое обнаружение решений и самосовершенствование. Вместо переобучения базовой модели система записывает предыдущие поисковые запросы в виде деревьев, содержащих результаты и вычислительные затраты, что позволяет агентам тестировать альтернативные стратегии исследования в симулированной среде воспроизведения. Этот подход обеспечивает выбор более эффективных политик для будущих живых поисков без повторения дорогостоящих экспериментов. В испытаниях по восьми задачам, включающим алгоритмическую инженерию, математическую оптимизацию и программирование для GPU, Dream-RSI показал результаты, сопоставимые с лучшими или превосходящие конкурирующие методы, при этом значительно сократив количество необходимых вызовов агента ИИ. Например, при разработке статистических алгоритмов система достигла более быстрого времени выполнения, используя менее половины вызовов агента по сравнению с фиксированными стратегиями исследования. Исследование подчеркивает, что улучшение распределения ресурсов агентом ИИ во время поиска может быть более эффективным, чем reliance на высокоуровневые письменные инструкции из прошлых попыток. Однако метод ограничен неспособностью предсказывать результаты для неисследованных ветвей, хотя он предлагает практический путь к более эффективному рекурсивному самосовершенствованию.
aiinsider