Google en DeepMind versnellen zoeken: Dream-RSI halveert pogingen

Onderzoekers van Google en DeepMind hebben op 19 september de innovatieve methode Dream-RSI gepresenteerd, waarmee AI-agenten hun zoekprocessen aanzienlijk kunnen versnellen door eerder gemaakte pogingen te hergebruiken. In plaats van kostbare herhalingen te maken, benut deze aanpak de resultaten van vorige zoekacties om nieuwe, efficiëntere strategieën uit te testen. Dit is vooral relevant voor complexe taken zoals wiskunde en programmeren, waar de rekenkosten snel oplopen en duizenden pogingen vereist zijn.

De zelfverbeterende AI-agenten werken binnen een cyclus van voorstellen, beoordelen, leren en herproberen. Tijdens de experimentele fase, waarin de zoekruimte exponentieel kan groeien, moet de agent strategische keuzes maken over welke paden het beste resultaat zullen opleveren en welke het beste kunnen worden verworpen. Dream-RSI biedt een oplossing voor deze uitdaging door gegevens van eerdere pogingen op te slaan en 'dromen' te genereren, waardoor het aantal benodigde rekenoperaties voor toekomstige zoekacties aanzienlijk afneemt. De technieken om alternatieve beslissingen binnen bestaande zoekstructuren af te spelen, stellen de agent in staat om de meest efficiënte strategieën te selecteren.

De effectiviteit van Dream-RSI werd getest met de modellen Gemini 3.1 Pro en Gemini 3.7 Flash, waarmee substantieel betere resultaten werden geboekt in programmerings- en optimalisatietaken dan met traditionele benaderingen. Zo bleek dat de agent met Dream-RSI in staat was om in een programmeertaak het snelste programma te genereren bij lagere kosten en met minder pogingen, vergeleken met concurrenten zoals SimpleTES. Dit illustreert het potentieel van strategische optimalisatie door middel van hergebruik van zoekdata, waardoor rekentijd en -kosten worden verminderd zonder verlies van prestaties.

Vervolgonderzoek heeft tevens aangetoond dat te strikte instructies de zoekruimte kunnen beperken en potentieel nuttige paden kunnen missen. Dream-RSI toont aan dat het optimaliseren van zoekstrategieën door middel van revisie binnen opgeslagen zoekdata, de exploratie bij open zoekproblemen kan verbeteren. De aanwezige code en aanvullende details zijn beschikbaar op GitHub, waardoor het mogelijk is om de doorbraakmethodiek te reproduceren en toe te passen op andere zoekproblemen.

Lees het volledige artikel van AI Insider.