Ускорили ИИ до невероятных значений: что изменит новые нейросети

Российские исследователи придумали способ, который может заметно ускорить обучение генеративных потоковых нейросетей. Новый метод позволяет моделям быстрее анализировать пространство решений и находить больше качественных вариантов, чем раньше. Младший научный сотрудник Никита Морозов отметил, что технология сближает генеративные сети с принципами обучения с подкреплением, открывая неожиданные перспективы для ИИ.

Два взгляда на один объект

Генеративные потоковые сети создают сложные объекты поэтапно, и их сила заключается в симбиозе двух моделей — прямой и обратной. Прямая строит объект шаг за шагом, а обратная разбирает его, выясняя, как он возник. Сложность в том, что обратная модель обычно считалась самой уязвимой, и любая неточность могла тормозить обучение.

Новый подход как переговоры

Стажер Тимофей Грицаев сравнил работу нового метода с переговорами: обе стороны корректируют свои позиции, помогая друг другу. В условиях неопределенности обратная модель теперь выступает поддержкой, усиливая прямую и делая обучение более гибким. Разработчики добились того, что сеть быстрее ищет оптимальные решения и работает стабильнее.

Где пригодится и почему важно

Исследователи уверены, что подход пригодится в фармацевтике, материаловедении и настройке крупных языковых моделей. Он не только ускоряет поиск лучших вариантов, но и снижает нагрузку на вычислительные мощности, что делает проект перспективным для научных и экономических внедрений. Простая идея — и целая новая эра для ИИ.