Google เปิดตัวโมเดล Gemini 4 Argon ลดความต้องการทรัพยากรคอมพิวเตอร์ควอนตัมอย่างมาก และขับเคลื่อนประสิทธิภาพหุ่นยนต์

Google เมื่อเร็วๆ นี้ได้เปิดตัว Gemini 4 Argon โมเดลนี้อ้างว่าลดความต้องการทรัพยากรในการดำเนินการคอมพิวเตอร์ควอนตัมลงมากกว่า 100 เท่า พร้อมช่วยนักวิจัยพัฒนาวิธีแก้ปัญหาทางคณิตศาสตร์ใหม่เพื่อจัดการกับประเด็นการหลอมรวมนิวเคลียร์ และปรับปรุงประสิทธิภาพของหุ่นยนต์ในโลกแห่งความเป็นจริง ในการสาธิตครั้งหนึ่ง Argon สร้างส่วนประกอบอัลกอริทึมควอนตัมที่มีต้นทุนเวลา-พื้นที่ต่ำกว่าวิธีที่เผยแพร่ไว้ก่อนหน้านี้มากกว่า 100 เท่า บริษัทระบุว่ากระบวนการนำไปใช้ได้รับการตรวจสอบอย่างเป็นทางการโดยระบบ Lean ซึ่งเป็นระบบสำหรับตรวจสอบการพิสูจน์ทางคณิตศาสตร์

การเพิ่มประสิทธิภาพหุ่นยนต์

โมเดลนี้ยังช่วยนักวิจัยค้นพบวิธีแก้ปัญหาใหม่สำหรับปัญหาคณิตศาสตร์ที่ยาวนานหลายทศวรรษซึ่งเกี่ยวข้องกับเรacteur stellarator ในการทดสอบหุ่นยนต์แยกต่างหาก ข้อมูลฝึกอบรมที่สร้างขึ้นโดยการจำลองของ Argon ทำให้อัตราความสำเร็จของหุ่นยนต์ในงานจริงเพิ่มขึ้นจาก 56% เป็น 75% Google ประกาศความก้าวหน้าเหล่านี้ในวันที่ 13 ตุลาคม بصفเป็นส่วนหนึ่งของการเปิดตัว Gemini 4 Argon

ในอีกการทดสอบหนึ่ง โมเดลนี้ทำงานโดยไม่มีผู้ดูแลบนโค้ดเบสที่มีอยู่ของ Google เป็นเวลา 11 ชั่วโมง การเปลี่ยนแปลงที่สร้างขึ้นลดค่าใช้จ่ายในการเตรียมเซสชันลงประมาณ 40% และเพิ่มความเร็วการนำเข้าแพ็กเกจขึ้น 21% คอมพิวเตอร์ควอนตัมกลายเป็นอย่างมีประสิทธิภาพมากขึ้น คอมพิวเตอร์ควอนตัมต้องการการดำเนินการที่ออกแบบอย่างรอบคอบเพื่อดำเนินการคำนวณ ในขณะเดียวกันก็จำกัดข้อผิดพลาดและความต้องการฮาร์ดแวร์ บางอัลกอริทึมอาศัยส่วนประกอบทางคณิตศาสตร์ที่เล็กกว่าที่เรียกว่าสubroutine ซึ่งส่วนนี้นำทรัพยากรการคำนวณจำนวนมาก Gemini 4 Argon พร้อมใช้งานแล้ว นักพัฒนาและองค์กรทั่วโลกสามารถเข้าถึงได้ผ่านระดับ付费ของ Gemini API และแพลตฟอร์ม Gemini ผู้สมัครสมาชิก Ultra ของ Google Antigravity รวมถึง

ผู้สมัครสมาชิก Ultra และ Pro ของแอปพลิเคชัน Gemini และ Search ก็สามารถใช้งานได้เช่นกัน

การเพิ่มประสิทธิภาพทรัพยากรคอมพิวเตอร์ควอนตัม

Google ระบุว่า Argon เพิ่มประสิทธิภาพ subroutine arcsin ที่ใช้สำหรับอัลกอริทึมการจำลองควอนตัม เมื่อเทียบกับการนำ quantum CORDIC ไปใช้ที่เผยแพร่ไว้ก่อนหน้านี้ รุ่นใหม่ลดต้นทุนเวลา-พื้นที่ลงมากกว่า 100 เท่า ต้นทุนเวลา-พื้นที่วัดทรัพยากรการคำนวณที่จำเป็นสำหรับการดำเนินการ พร้อมพิจารณาความต้องการฮาร์ดแวร์และเวลาดำเนินการ การปรับปรุงนี้ใช้ได้กับ subroutine เฉพาะที่ทดสอบ ไม่ใช่ระบบคอมพิวเตอร์ควอนตัมโดยรวม Argon ยังเพิ่มประสิทธิภาพเวอร์ชันภายในของ quantum error correction decoder AlphaQubit ที่อิงจาก machine learning ของ Google

ตามที่ Google ระบุ ผ่านการแปลงเป็น single hardware-optimized kernel โมเดลนี้เพิ่ม inference throughput เกือบสองเท่า

ความสามารถด้าน software engineering ของโมเดลได้รับการทดสอบบน Agent Development Kit แบบ open source ของ Google ซึ่งเป็น framework สำหรับสร้างและปรับใช้ autonomous agents ในการรัน overnight ครั้งหนึ่งที่ใช้เวลา 11 ชั่วโมง Argon ตรวจสอบโค้ดเบสที่มีประมาณ 205,000 บรรทัดของโค้ด ครอบคลุมเกือบ 800 ไฟล์ มันเสนอคำแนะนำการเพิ่มประสิทธิภาพ 6 ข้อ โดยมี 2 ข้อได้รับการยอมรับและรวมเข้าสู่โครงการหลังจากการตรวจสอบโดยมนุษย์ การเปลี่ยนแปลงเหล่านี้ลดค่าใช้จ่ายในการเตรียมเซสชันในหน่วยความจำลงประมาณ 40% ในเซสชันที่ยาวนาน และปรับปรุงความเร็วการนำเข้าแพ็กเกจ 21%

ในการทดสอบ benchmark แบบ standalone เวลาดำเนินการของ agent 158 รอบลดลงจาก 65.6 วินาที เป็น 56.1 วินาที อย่างไรก็ตาม เวลาตั้งแต่การเริ่มกระบวนการใหม่จนถึงคำขอโมเดลครั้งแรกคงที่พื้นฐาน

ในแง่ของการวิจัยการหลอมรวมนิวเคลียร์ Google ร่วมงานกับศาสตราจารย์ Matt Landreman ของ University of Maryland ระบุ counterexamples ที่กว้างขึ้นเพื่อโค้งค้าน conjecture ของ Grad ซึ่งเป็นสมมติฐานทางคณิตศาสตร์ที่กลับมาสู่ปี 1967 Counterexamples แรกๆ ได้ท้าทาย conjecture นี้แล้ว วิธีแก้ที่ระบุใหม่อาจให้กรณีอ้างอิงสำหรับการทดสอบซอฟต์แวร์จำลองที่ใช้ในการออกแบบ stellarator ซึ่งใช้สนามแม่เหล็กที่ซับซ้อนเพื่อขังพลาสมาร้อน อีกด้านหนึ่ง Argon แสดงให้เห็นถึงความสามารถในการสร้างสภาพแวดล้อมการฝึกอบรมหุ่นยนต์ทางกายภาพ

เริ่มจากเพียงภาพเดียวของโต๊ะ โมเดลนี้สร้างการจำลองที่อิงฟิสิกส์และสร้างการฝึกอบรมงานการจัดการหุ่นยนต์มากกว่า 4,500 ครั้ง

Gemini 4 Argon ทำให้หุ่นยนต์ตัวหนึ่งเรียนรู้เล่น corn hole เพียงโดยการดูวิดีโอ มันจับคู่ฟิสิกส์ เขียนโค้ดการจำลองของตัวเอง และสอนให้หุ่นยนต์มนุษย์ Apollo ของ @Apptronik ทอยต่อเนื่องสำเร็จ 7 ครั้ง Google รายงานว่าข้อมูลฝึกอบรมที่สร้างขึ้นทำให้อัตราความสำเร็จของหุ่นยนต์ในโลกจริงเพิ่มขึ้นจาก 56% เป็น 75% พร้อมลดเวลาทำภารกิจจาก 35 วินาทีเหลือ 24 วินาที ในอีกการสาธิตหนึ่ง Argon ช่วยหุ่นยนต์ Spot ของ Boston Dynamics ฝึกเปิดถังขยะแบบกดเท้าในการจำลองก่อนลองทำจริง

นอกจากการวิจัยหุ่นยนต์แล้ว นักวิจัยของ Gamow Labs ยังใช้ Argon ตรวจสอบข้อมูลจีโนมที่ลบข้อมูลระบุตัวตนของทารกแรกเกิดที่ป่วยเป็นโรคปอดพัฒนาที่หายาก Google ระบุว่าโมเดลระบุ chromosomal rearrangement ที่ซอฟต์แวร์แบบดั้งเดิมไม่ค้นพบมาหลายปี ผลลัพธ์เหล่านี้เกี่ยวข้องกับการวิจัยทางวิทยาศาสตร์ software engineering และการควบคุมหุ่นยนต์ทางกายภาพ อย่างไรก็ตาม การปรับปรุงที่รายงานยังคงเฉพาะเจาะจงต่อการทดลองที่อธิบายไว้ ประสิทธิภาพที่กว้างขึ้นในพื้นที่เหล่านี้ยังไม่ได้รับการยืนยัน