向壁虛構無中生有 DeepMind算法曠古絕今

Table Of Contents

新科技速遞

市場焦點在生成式AI，其他領域陸續亦有驚人突破。Google旗下DeepMind的AI竟破解了本以為是千錘百鍊的排序算法（Data Sort），憑空創建出新演算法，速度較人類開發最佳版本快上3倍。

DeepMind算法震驚全球，所謂排序數據工作，例如按大小或字母排序數據，是電腦語言最普通不過的函式，每天全球電腦內Sort的函數，運行次數以十億計算；DeepMind算法比流行C++語言算法，快上7倍，以百萬計電腦會受惠。

DeepMind有關研究刊登在《自然》期刊，AI開發的新模型AlphaDev，利用了訓練下圍棋、國際象棋和多種棋藝的AlphaZero技術，創建AlphaDev模型發現新算法，以算法最優解為目標，原則上跟對弈差不多。AlphaDev有一點AlphaZero相似，不再依靠前人經驗，AlphaZero不讀棋譜學習棋藝，只學習棋藝的規則；從零開始自行修煉。AlphaDev也沒參考學習現存算法，也是從零開始自行探索，以無法為有法，結果也修成正果，自創的算法，超越了人類。

**加強學習再創新高**

AlphaDev原理上跟AlphaZero差不多，AlphaZero棋局選擇下子；AlphaDev則選擇計算機程序每一度指令，自創招式，突破人類歷史經驗。兩者都是基於「強化學習」（Reinforcement learning）訓練，透過嘗試和錯誤（Trials and errors）反覆學習，先為AI鎖定目標 , 透過獎勵推動，概念上跟遊戲取分，擊敗對手差不多，AlphaDev取分勝負，則在於打敗自己，不斷縮短算法時間。

多年以來，科學家一直優化排序數據，算法更是汗牛充棟，即使縮短簡單排序工作，看似枯燥的按數目或字母排列名單，要快上毫秒也絕不簡單，DeepMind竟一下子快了7倍。

低階語言開發

據DeepMind計算機科學家Daniel Mankowitz回憶：團隊看到成果也感驚訝，最初甚至自己不敢相信。

DeepMind不是以一般高階編程語言，類似C語之類開發，而直接以低階「組合指令」（Assembly code），一種介乎程式語言和二進碼語言。組合指令執行較快，不過難於學習和理解，程式人員很少採用。一般而言，程式語言愈是高階執行速度愈慢，目前絕大部分程式都是利用高階語言開發，編譯（compiled）成組合指令才供電腦執行。採用組合指令可為AlphaDev創建更有效率算法提供了更多彈性。即使組合指令確較有效率，AlphaDev發新的算法亦是非常困難。

眾裡尋他千百度

AI模型每次要構建一條指令算法，根據已知正確方法測試輸出的結果，確保創建方法真正有效。AI模型要創建出盡量少指令算法。AlphaDev排序算法指令更少，執行更快，排序五條數據快70%，處理超過250，000個數據列表，只比目前最優算法快1.7%。

Mankowitz說：「起初以AlphaDev程式出錯，分析時才意識到AlphaDev實際上可能真是發現更快算法。」

排序算法在不少軟件常用，所以即使提昇1.7%速度；全球累計省回不少算力，此算法有機會取代所有語言函式庫（Library），DeepMind將算法開源並包括常用的Libc++的C++函式庫，C++率先受益，其排序演算法有十多年未曾更新。

**軟件延續摩爾定律**

Mankowitz認為，摩爾定律（Moore's Law）會因處理器可容納電晶體，數量臨近物理極限，下一代算力加速正在減慢。AlphaDev從軟件層面彌補算力損失，延續摩爾定律。但是AI能否提昇所有函式庫，仍然是未知之數。

AlphaDev的突破在於，加強學習擊敗棋王以外，還可用於改善算法；而今次非首次DeepMind推出突破性AI模型應用，改寫了研究方向。

2018 年推出AlphaFold預測蛋白質結構，迭代至AlphaFold2已能預測所有蛋白質結構。雖然說，X射線、核磁共振或低溫電子顯微鏡（cryo-EM）仍是取得確定蛋白質結構數據的唯一方法。AlphaFold啟發了科學家，以AI先預測結構對接，以虛擬對接減省開發和篩選時間，選取更有可能的候選藥物化合物作藥物重新定位。AlphaFold不是以強化學習訓練，透過機器學習掌握預測方法，效果完勝人類。

成功不必在我，AlphaFold的重要性在於啟發研究方向，AlphaFold2凖確度仍強差人意，研究人員改進多種模型凖確度，結果令人鼓舞。

DeepMind開源了AlphaDev，究竟對編寫代碼有多大影響？仍是未知之數，但以向壁虛構算法，竟勝於千錘百鍊，AI作為人類助手，此後地位再上層樓。DeepMind擊敗的不是棋王，而是歷史上所有電腦精英。