Google представила Gemini 4 Argon — новую модель искусственного интеллекта, предназначенную для решения сложных задач в программировании, науке и инженерии. Среди результатов ее работы компания выделила оптимизацию квантового алгоритма, которая позволила более чем в 100 раз сократить вычислительные затраты на отдельную операцию.
В квантовых вычислениях Argon оптимизировала математическую подпрограмму, используемую в алгоритмах моделирования. Сравнение проводилось с ранее опубликованной реализацией квантового алгоритма CORDIC. Улучшение относится к конкретной операции и не означает, что все квантовые компьютеры теперь смогут работать в сто раз эффективнее. Результат также проверили с помощью Lean — системы формальной проверки математических доказательств.
Модель применили и для улучшения коррекции ошибок в квантовых вычислениях. По данным Google, оптимизация внутренней версии декодера AlphaQubit почти вдвое увеличила скорость обработки данных.
В исследованиях термоядерного синтеза Gemini 4 Argon помогла математикам найти новые контрпримеры к гипотезе Града, сформулированной в 1967 году. Эти результаты могут пригодиться для проверки программ, моделирующих работу стеллараторов — установок, в которых горячую плазму удерживают с помощью сложных магнитных полей.
Отдельное направление — обучение роботов. В одном эксперименте Argon использовала фотографию стола, чтобы создать физическую симуляцию и сгенерировать более 4500 тренировочных эпизодов для манипуляционных задач. После обучения на этих данных доля успешного выполнения заданий роботом в реальных условиях выросла с 56% до 75%. Среднее время выполнения задачи сократилось с 35 до 24 секунд.
В другом тесте модель помогла роботу Spot компании Boston Dynamics отработать в симуляции открывание мусорного ведра с ножной педалью, прежде чем перейти к физическим объектам.
Google также проверила возможности Argon в программировании. Во время 11-часового автономного запуска модель анализировала кодовую базу примерно из 205 тысяч строк и предложила шесть оптимизаций. Две из них разработчики приняли и включили в проект. Они сократили накладные расходы на подготовку сессий примерно на 40% и ускорили импорт программных пакетов на 21%.
Результаты показывают, как ИИ можно применять для решения разных исследовательских и инженерных задач. При этом показатели относятся к конкретным экспериментам и сами по себе не подтверждают аналогичный эффект во всех областях.
Читайте также:
ИИ-модели могут самовоспроизводиться без доступа к дата-центрам
Google предлагает бесплатную платформу Antigravity для разработки с ИИ-агентами