До недавнего времени основным подходом к масштабированию ИИ было «предобучение» — обучение моделей на больших объемах данных. Помимо него известно о двух дополнительных методах масштабирования: масштабирование после обучения, масштабирование во время тестирования.
Группа исследователей из Google и Калифорнийского университета в Беркли предложила дополнить их новым методом — «поиском во время вывода». Данный метод позволяет моделям работать более гибко, адаптируясь к конкретным задачам.
Технология основана на параллельной генерации множества ответов, которые затем анализируются для выбора оптимального варианта. Это особенно полезно для сложных задач, таких, как обработка естественного языка, где точность ответа критически важна.
Между тем эксперты скептически отзываются о практической применимости метода. Они отмечают, что «поиск во время вывода» требует значительных вычислительных ресурсов, что может сделать его использование дорогостоящим. Кроме того, метод пока не протестирован в реальных условиях, и его эффективность остается под вопросом.
Несмотря на сомнения, разработка привлекла внимание крупных технологических компаний. Google уже изучает возможность интеграции метода в свои ИИ-системы, чтобы улучшить их производительность.
Если технология подтвердит свою эффективность, она может стать важным шагом в развитии искусственного интеллекта. Однако пока исследователям предстоит доказать, что их метод работает не только в теории, но и на практике.
Ранее специалисты научили ИИ разбираться в фигурном катании.
