▲图源谷歌DeepMind（下同）
据悉，FunSearch模型训练法主要为AI模型引入了一个“评估器（evaluator）”系统，AI模型输出一系列“创意解题方法”，“评估器”则负责评判模型输出的解题办法，反复迭代后，就能训练出数学能力更强的AI模型。
谷歌DeepMind使用PaLM 2模型进行测试，研究人员建立了专用“代码池”，使用代码形式为模型输入一系列问题，并设置了评估器流程，之后模型便会在每一次迭代中，自动从代码池中挑选问题，生成“具有创造性的新解法”，并交由评估器进行评估，其中“最佳解法”将会被重新加入到代码池中，重新开始另一次迭代。
IT之家注意到，FunSearch训练法对“离散数学（Combinatorics）”特别擅长，经训练法锻炼后的模型，可以轻松解决极值组合数学问题，研究人员在新闻稿中便介绍了模型计算“上限级问题（数学中涉及计数和排列领域的一个中心问题）”的过程方法。
此外，研究人员也成功使用FunSearch训练法解决了“装箱问题（Bin Packing Problem）”，这是一个“将不同大小物品放进最少数量容器”的问题，FunSearch为“装箱问题”提供了一种“即时性”的解决方案，生成一项“根据物品现有体积自动进行调整”的程序。
研究人员提到，与其他利用神经网络进行学习的AI训练法相比，经过FunSearch训练法锻炼后的模型，输出的代码更易于检查与部署，也就代表更容易被整合到实际工业环境中。
