MI-vezérelt algoritmusok: egy új korszak kezdete
A kutatók az OpenEvolve nevű, nyílt forráskódú szoftvert használták, amely a Google DeepMind AlphaEvolve rendszerének implementációja. Ennek segítségével sikerült jelentősen továbbfejleszteni az Expert Parallelism Load Balancer (EPLB) algoritmust, amely nagy nyelvi modellekben (LLM) az egyes „szakértő” modulok feldolgozási terhelését osztja szét a grafikus processzorok (GPU-k) között. Ez az a mechanizmus, amely csökkenti a feldolgozandó paraméterek mennyiségét, így lényegesen gyorsítja a működést. Az MI ötvenszeres teljesítménynövekedést ért el egy titkos (nem publikus) referenciamegvalósításhoz képest, és 146-szoros gyorsulást a korábbi, Python-alapú DeepSeek-verzióhoz képest, ami 540 ms helyett mindössze 3,7 ms alatt hajtotta végre a terhelés újraosztását.
Az MI valódi kreativitása
Fontos megjegyezni, hogy a gépi tanulás nemcsak a meglévő tudást kombinálja, hanem új, „kreatívnak” mondható megoldásokat is talál. A szerzők szerint az MI – több milliárd oldalnyi szakirodalmat átfogó képzése révén – olyan összefüggéseket tárhat fel, amelyekre egyetlen kutató sem lenne képes. Például a vektoros tenzorműveletek és egy speciális zigzag partíciós séma alkalmazása lenyűgöző gyorsaságot eredményezett.
Ugyanakkor az MI kreativitásának megítélése vitatott: a kutatók szerint is nehéz megmondani, vajon valódi újításról, vagy „csupán” a meglévő tudás rendkívüli kombinációjáról van szó. Az algoritmusokat a kutatási világ mégis újnak és kiemelkedőnek ismeri el, ha az eredmény jelentősen felülmúlja a meglévő megoldásokat – akár más szakterületek ötleteit is kölcsönvéve.
Gyakorlati alkalmazások és jövőbeli lehetőségek
A terheléselosztó fejlesztésén túl az OpenEvolve segítségével a kutatók háromszorosára gyorsították a relációs analitikát is, ahol SQL-lekérdezésekhez minden sorban LLM-inferencia kapcsolódik. Az ipari alkalmazások már meg is jelentek: például a Datadog vállalat is átvett MI-alapú teljesítményhangoló eljárást.
Fontos megjegyezni, hogy az MI-alapú teljesítményhangolás már most felülmúlja az emberi szakértők által alkotott megoldásokat, különösen ott, ahol objektíven mérhető a sikeresség (például a gyorsaság). Ugyanakkor a kutatócsoport szerint, amint megfelelő bizonyító és érvényesítő keretrendszert sikerül kidolgozni, az MI sokkal szélesebb körben alkalmazható lesz, beleértve a biztonság és a hibatűrés kérdéseit, sőt akár a számítástechnikán kívüli problémák esetében is.
A jövő az MI-vezérelt kutatásé?
A fentiek tükrében kijelenthető, hogy az MI-vezérelt algoritmusfejlesztés átalakítja a kutatók szerepét: az ember egyre inkább a probléma megfogalmazására és a stratégiai irányításra koncentrál, míg a részletes algoritmusokat már az MI fogja optimalizálni. A várakozások szerint hamarosan minden nagyvállalat MI-vezérelt teljesítményhangolásra tér át, hiszen a sebesség és hatékonyság terén az új megközelítés messze túlszárnyalja a hagyományos, kézzel tervezett megoldásokat.
