A japán Sakana AI labor bemutatta az AB-MCTS nevű új algoritmusát, amely lehetővé teszi, hogy egymással versengő mesterséges intelligencia (MI) modellek együttműködjenek komplex problémák megoldásában. Ezáltal a modellek kollektív intelligenciájukat kihasználva olyan feladatokat is képesek orvosolni, amelyek egyenként bármelyikük számára túl nehezek lennének.
- Az AB-MCTS rendszer a ChatGPT, Gemini és DeepSeek modelleket ötvözve az ARC-AGI-2 feladványok 30%-át oldotta meg, szemben a legjobb egyéni modellek 23%-os teljesítményével.
- Az algoritmus dinamikusan osztja szét a feladatokat a modellek között, az egyes MI-k erősségei alapján – például az egyik stratégiai feladatokat, míg a másik kódot generál a problémán belül.
- A kutatók megfigyelték, hogy a modellek képesek voltak egymás hibáiból tanulni, egy-egy modell kijavította a másik tévedéseit, így jutva el a helyes megoldáshoz.
A Sakana AI új algoritmusa: a csapatmunka ereje
A Sakana AI, egy japán kutatólabor, jelentős áttörést ért el a mesterséges intelligencia fejlesztésében az AB-MCTS (Adaptive Bidirectional Monte Carlo Tree Search) nevű új algoritmusának bemutatásával. Ez az innovatív megközelítés lehetővé teszi, hogy a különböző MI-modellek ne egymással versengjenek, hanem együttműködjenek a bonyolult problémák megoldásában, kihasználva kollektív intelligenciájukat. Ennek köszönhetően olyan feladatokat is képesek közösen leküzdeni, amelyek egyetlen modell számára túl nehéznek bizonyulnának.
Részletek a rendszer működéséről
-
Modellek kombinációja és teljesítmény
Az AB-MCTS rendszer képességeit mi sem mutatja jobban, mint hogy sikeresen integrálta a ChatGPT-t, a Geminit és a DeepSeek-et, adaptív keresési módszert alkalmazva. Ezzel a kooperatív megközelítéssel az ARC-AGI-2 feladványok 30%-át oldották meg, ami jelentős előrelépés az eddigi, legjobb önálló modellek 23%-os teljesítményéhez képest.
-
Dinamikus feladatelosztás és specializáció
Az algoritmus egyik kulcsfontosságú eleme a dinamikus feladatelosztás. Az AB-MCTS képes felismerni az egyes modellek erősségeit, és ennek megfelelően osztja szét a feladatokat. Például egy adott probléma megoldása során egyes modellek a stratégiai tervezésért felelhetnek, míg mások a kódolásban jeleskednek. Ez a specializáció optimalizálja a csapatmunka hatékonyságát.
-
Tanulás a hibákból
A kutatók meglepő és ígéretes felfedezést tettek: a modellek képesek voltak egymás hibáiból építkezni. Ha az egyik modell téves megoldással állt elő, egy másik MI kijavította azt, és így közösen jutottak el a helyes eredményhez. Ez a képesség rendkívül fontos a robusztus és megbízható MI-rendszerek fejlesztésében.
-
Nyílt forráskódú keretrendszer: TreeQuest
A Sakana AI nem állt meg a kutatási eredmények közzétételénél; a mögöttes keretrendszert „TreeQuest” néven nyílt forráskódú eszközként elérhetővé tette a fejlesztők számára. Ez lehetőséget biztosít bárkinek, hogy saját együttműködő MI-rendszereket építsen és fejlesszen, tovább gyorsítva ezzel a terület innovációját.
Miért fontos ez?
A Sakana AI rendszere tökéletesen illeszkedik a mesterséges intelligencia világában tapasztalható legújabb trendekhez, mint például az MI-ügynökök rajai vagy az „orkesztrátor” rendszerek, amelyek a legalkalmasabb modellre delegálják a feladatokat. Úgy tűnik, hogy a jövő legnagyobb áttörései nem egyetlen, rendkívül erős modellből, hanem sokkal inkább egy MI-specialistákból álló csapat közös munkájából fognak megszületni. Ez a megközelítés a kollektív intelligencia erejét aknázza ki a valós világ komplex kihívásainak megoldásában.
Forrás: Sakana AI – AB-MCTS