Se si vuole migliorare un profilo alare, che cosa significa esattamente "meglio"?
L'efficienza di crociera merita di essere aumentata, i vincoli di progetto devono essere rispettati e ogni valutazione ad alta precisione consuma budget di calcolo. Un candidato è superiore su un indicatore, un altro potrebbe conservare un margine maggiore. Metterli in fila e scegliere il primo non è così diretto come sembra.
L'AI può contribuire a proporre nuove soluzioni e a scrivere il codice degli esperimenti. Poi bisogna affrontare come valutare, confrontare e continuare a esplorare.
L'AI999 di EvoClass, 《EvoX 智能演化系统与 AI Native 科研实践》 (Sistemi evolutivi intelligenti EvoX e pratica di ricerca AI Native), segue questo filo: dall'informatica evolutiva ai problemi multi-obiettivo, per poi discutere l'infrastruttura di calcolo moderna, l'evoluzione dei metodi e la pratica di ricerca in ambiente AI Native. Il punto è come una proposta entra in un esperimento e come il feedback cambia la proposta successiva.
Chiariamo prima quali miglioramenti vale la pena conservare
La Lezione 3, 《现实世界的复杂性与多目标权衡》(Complessità del mondo reale e compromessi multi-obiettivo), discute la relazione tra obiettivi, vincoli e costo di valutazione in contesti come la progettazione di profili alari.
Alcuni indicatori si vorrebbero massimizzare il più possibile, mentre altri requisiti devono superare una soglia. Solo distinguendo queste due categorie si ha una base per il confronto.
Di fronte a un insieme di candidati, se una soluzione è complessivamente inferiore sugli indicatori di interesse, ci sono ragioni per escluderla; se diverse soluzioni presentano ciascuna vantaggi e costi, conservare queste differenze rende anzi più chiara la scelta successiva. Gli esperti di dominio possono combinare le condizioni operative specifiche e le preferenze per decidere quali direzioni meritano di essere proseguite.
Questo invita anche i ricercatori a esaminare il proprio modo di valutare. Come si calcola un punteggio totale? Perché i pesi sono impostati così? I vincoli non inseriti in origine potrebbero far perdere utilità pratica a una soluzione con punteggio alto?
A queste domande bisogna rispondere nella progettazione dell'esperimento. Altrimenti la ricerca può avanzare lungo il punteggio e allontanarsi progressivamente dal compito che conta davvero.
Con sempre più candidati, dove investire il budget di valutazione?
Conservare più possibilità comporta nuovi costi.
La Lezione 3 discute anche i modelli surrogati: apprendere dagli esempi già disponibili la relazione tra parametri dei candidati e prestazioni, usare previsioni a basso costo per aiutare la selezione, inviare poi i candidati che meritano un esame approfondito a una valutazione di maggiore precisione e utilizzare i risultati per gli aggiornamenti successivi.
Qui occorre distinguere il peso delle diverse evidenze. Le previsioni del surrogato hanno errori e richiedono verifica, soprattutto quando la ricerca entra in regioni poco note. Un punteggio previsto molto alto richiede comunque ulteriori controlli.
Un'altra parte del costo deriva dal modo in cui si organizza il calcolo. La Lezione 4, 《现代计算底座与张量化并行演化》(Infrastruttura di calcolo moderna ed evoluzione parallela tensorizzata), discute come organizzare popolazione, risultati di valutazione e stato come tensori, procedendo con il calcolo in lotti.
Si può intendere così: disporre i parametri di molti candidati in una struttura coerente, in modo che le operazioni eseguibili in batch li elaborino insieme. Anche la documentazione per lo sviluppo di problemi personalizzati di EvoX illustra questa organizzazione con un'interfaccia di valutazione che riceve un lotto di candidati e restituisce i corrispondenti valori degli obiettivi.
I benefici reali vanno comunque misurati: il tempo si spende nella generazione dei candidati, nella funzione obiettivo o nel trasferimento dei dati? Lotti più grandi occupano troppa memoria della GPU? Solo registrando separatamente queste voci di costo si capisce dove intervenire.
La valutazione assistita da surrogati e il parallelismo a lotti affrontano rispettivamente il costo della valutazione e l'organizzazione del calcolo. Comprenderne la divisione dei compiti aiuta più di un generico auspicio che "eseguendo di più si andrà meglio".
Quando la ricerca ristagna, si può esaminare anche il metodo che genera i candidati
Dopo più cicli di esecuzione i risultati non migliorano in modo evidente: a questo punto non vale la pena controllare solo i candidati.
Come avviene la mutazione? Come sono impostati i parametri? Il metodo di ricerca attuale è adatto a questo problema?
La Lezione 5, 《方法演化：从优化解到优化算法本身》(Evoluzione dei metodi: dalla soluzione ottimizzata all'algoritmo di ottimizzazione stesso) include nella discussione, attraverso materiali come MetaDE e AutoPSO, anche i metodi che generano i candidati.
Prendiamo MetaDE: il livello interno dell'evoluzione differenziale risolve il problema obiettivo, mentre il livello esterno cerca strategie e configurazioni di parametri in base alle prestazioni di risoluzione. Così, oltre a confrontare "quale soluzione si è ottenuta", si può confrontare "in che modo si cercano le soluzioni".
Anche questo livello di cambiamento ha un costo. Nel confrontare i metodi, quante valutazioni usano i livelli interno ed esterno e quanto tempo di esecuzione occupano vanno conteggiati nel budget; le conclusioni vanno inoltre comprese alla luce dei problemi e delle condizioni testati.
Per chi apprende, un esercizio da provare è stabilire prima una linea di base chiara, poi modificare una singola strategia, conservare la configurazione e i risultati completi ed eseguire più ripetizioni. Solo così i cambiamenti di prestazione possono essere spiegati ed è più facile individuare quali modifiche appaiono buone solo in una singola esecuzione.
Dopo aver scritto il codice, che cosa deve restare della ricerca?
Quando l'AI può contribuire a realizzare più esperimenti, le decisioni che i ricercatori devono prendere non diminuiscono.
La discussione della Lezione 6 su Genesis e l'evoluzione continua del software sposta l'attenzione sul progetto: come scomporre i compiti, come verificare le modifiche al codice, come i risultati validi entrano nella base del lavoro successivo. Anche la descrizione ufficiale del progetto Genesis organizza costruzione, verifica e sviluppo successivo in un unico percorso di lavoro.
Tuttavia, le conclusioni sostenute dal superamento di compilazione e test vanno distinte dalle conclusioni scientifiche. Possono indicare che il programma soddisfa i requisiti già verificati; se un metodo sia più efficace dipende ancora dalla formulazione del problema, dagli esperimenti di controllo, dalle metriche di valutazione e dall'analisi dei risultati.
La Lezione 7, 《AI Native 科研范式与 EvoX 实战切入》(Paradigma di ricerca AI Native e avvio pratico con EvoX), riporta questa responsabilità ai ricercatori: formulare le domande, definire la valutazione, orientare la direzione e valutare criticamente i risultati esistenti.
Anche il "gusto per la ricerca" può così diventare concreto. Quale problema si sceglie: perché è importante o perché è facile ottenere risultati appariscenti? La valutazione riesce a mettere alla prova le proprie tesi? Il prossimo ricercatore, ricevendo codice, descrizione dell'ambiente, parametri e registri di esecuzione, può ricontrollare questo esperimento?
Se hai già iniziato a scrivere codice sperimentale con l'aiuto dell'AI, puoi partire da un piccolo problema che sei in grado di verificare: scrivi prima obiettivi e vincoli, definisci budget e linea di base, poi esegui, confronta, registra e decidi che cosa conservare nel ciclo successivo. La panoramica del corso AI999 di EvoClass offre un punto di ingresso per continuare a imparare lungo questo percorso.
Tornando all'insieme iniziale di candidati per il profilo alare, il guadagno della ricerca potrebbe essere per ora un insieme di scelte motivate: quali soluzioni meritano di essere conservate, quali richiedono valutazioni aggiuntive, quali direzioni non valga più la pena perseguire.
Quando questi giudizi e queste evidenze possono essere ereditati dall'esperimento successivo, una soluzione non ancora abbastanza buona ha un punto di partenza per continuare a migliorare.
La descrizione del corso si basa sui materiali attuali di EvoClass AI999; per il contesto tecnico si fa riferimento anche ai materiali ufficiali dei progetti linkati nel testo. La discussione sul profilo alare serve a illustrare la relazione tra obiettivi e vincoli; le attività sperimentali descritte sono suggerimenti di studio, non valutazioni di prestazioni eseguite in questo articolo. I link alle lezioni rimandano a materiali didattici in cinese semplificato.