FunSearch：利用大型语言模型在数学科学中进行新发现
内容提要
FunSearch是一种利用大型语言模型（LLMs）在数学和计算机科学中寻找新解的方法。它结合预训练的LLM和自动评估器，迭代生成程序，发现了数学中的新算法，如“帽子集问题”和“装箱问题”。该方法不仅能产生有效解决方案，还能提供可解释的解决过程，展示了人类与AI协作的潜力，未来有望在多个领域带来新发现和应用。
延伸解读
FunSearch如何避免LLM的幻觉
大型语言模型常产生看似合理但错误的信息，即“幻觉”。FunSearch通过引入自动评估器来应对这一挑战：LLM生成程序后，评估器会实际运行并验证其正确性，只有通过验证的程序才会被保留。这种机制确保发现的解决方案是可靠且可验证的，从而将LLM的创造力约束在事实基础上。
可解释性：从“黑箱”到“白箱”
与传统AI方法不同，FunSearch输出的是程序代码，而不仅仅是答案。这些程序描述了解决方案是如何构建的，使研究人员能够理解其逻辑。例如，在帽子集问题中，FunSearch生成的代码揭示了有趣的对称性，为数学家提供了新见解。这种“展示工作过程”的方式增强了可解释性，并促进了人机协作。
实际应用：从数学到工业
FunSearch不仅解决理论问题，还能应对实际挑战。在装箱问题中，它生成的启发式算法比传统方法使用更少的箱子，有望优化数据中心等场景的资源分配。此外，在组合竞赛编程中，FunSearch能超越顶尖人类选手，展示了AI在复杂优化问题上的潜力。
人机协作的新模式
FunSearch强调人类与AI的协作：人类提供问题描述和种子程序，LLM在此基础上迭代改进。在组合竞赛编程中，人类编写解决方案的“骨架”，LLM则演化关键函数。这种分工结合了人类的直觉与AI的探索能力，实现了单独一方难以达到的结果。
Q&A
FunSearch是什么？
FunSearch是一种结合预训练的大型语言模型和自动评估器的方法，用于在数学和计算机科学中寻找新解。
FunSearch如何解决帽子集问题？
FunSearch通过生成程序发现了过去20年中最大的帽子集，超越了现有的计算求解器。
FunSearch在装箱问题上有什么优势？
FunSearch生成的程序在使用更少的箱子装载相同数量的物品方面表现优于传统启发式算法。
FunSearch如何提高可解释性？
FunSearch输出的程序不仅提供解决方案，还描述了如何得出这些解决方案，增强了可解释性。
FunSearch的进化方法是怎样的？
FunSearch使用进化方法，通过迭代生成程序，促进并发展最高评分的想法，形成自我改进的循环。
FunSearch对人类程序员的协作有什么影响？
FunSearch展示了人类程序员与大型语言模型的协作潜力，能够在组合竞赛编程中提升人类表现。
