Mindre regnekraft åbner AI-teknologien for flere aktører
Metoden Dream-RSI gennemspiller tidligere søgeforløb og prøver nye strategier af uden dyre genberegninger. I test gav det op til 2,43 gange færre gennemløb.
Læs i dit tempo
Kort
Google DeepMind har med metoden Dream-RSI i test opnået resultater med op til 2,43 gange mindre regnearbejde.
Det betyder, at systemet slipper for at regne hele forløbet om igen, hvilket sparer tid og ressourcer.
Metoden er nu afprøvet og kan tages i brug uden at ændre selve modellen.
Begynder
Forestil dig, at du skal finde vej gennem en stor have med mange stier. Normalt ville en kunstig intelligens — en AI — starte forfra hver gang og undersøge alle stier igen. Det er dyrt og tager lang tid. Google DeepMind har udviklet en metode kaldet Dream-RSI, der gør noget andet: AI'en drømmer sig gennem de forsøg, den allerede har lavet, i stedet for at regne alt forfra. I test har metoden skåret antallet af gennemløb — altså hvor mange gange AI'en skal arbejde sig gennem et problem — ned med op til 2,43 gange.
Det smarte er, at kun søgestrategien bliver tilpasset. Søgestrategien er den måde, AI-agenten — den del af systemet, der aktivt leder efter løsninger — bevæger sig rundt på. Den underliggende AI-model, som er den grundlæggende hjerne bag systemet, forbliver uændret. Så det er ikke modellen, der bliver klogere. Det er måden, agenten søger på, der bliver bedre. Og derfor skal der ikke trænes en ny model — altså læres et helt nyt system op — for at få udbyttet.
Pointen er at slippe for de dyre genberegninger. Når AI-agenten skal løse et nyt problem, gennemspiller den tidligere søgeforløb — de veje, den allerede har afprøvet — og afprøver nye strategier på dem, før den tager dem i brug. På den måde kræver hvert nyt forsøg ikke, at hele forløbet bliver regnet igennem igen. Det er lidt som at huske, hvilke veje du allerede har gået i haven, og så bruge den viden til at finde en bedre rute næste gang — i stedet for at starte forfra ved indgangen hver eneste gang.
I testene matchede Dream-RSI de eksisterende resultater eller overgik dem. Metoden stod altså ikke tilbage for de tidligere løsninger, men nåede frem til dem med op til 2,43 gange færre gennemløb. Med andre ord: samme resultat — men meget hurtigere og billigere.

Google DeepMind har med metoden Dream-RSI skåret antallet af gennemløb ned med en faktor på op til 2,43 i test. I stedet for at regne forfra lader metoden AI-agenten drømme sig gennem forsøg, som den allerede har været igennem.
Bare søgestrategien bliver tilpasset. Den underliggende AI-model forbliver uændret, så det er ikke modellen, der bliver klogere — det er måden agenten søger på. Der skal altså ikke trænes en ny model for at få udbyttet.
Pointen er at slippe for de dyre genberegninger. Agenten gennemspiller tidligere søgeforløb og afprøver nye strategier på dem, før den tager dem i brug. Hvert nyt forsøg kræver derfor ikke, at hele forløbet bliver regnet igennem igen.
I testene matchede Dream-RSI de eksisterende resultater eller overgik dem. Metoden stod altså ikke tilbage for de tidligere løsninger, men nåede frem til dem med op til 2,43 gange færre gennemløb.
Det er uklart: Materialet er et kort resumé af én kilde. Det fremgår ikke, hvad RSI står for, hvilke opgaver eller benchmark metoden er testet på, hvor store modellerne var, eller hvor og hvornår arbejdet er offentliggjort. Tallene er derfor gengivet uden den kontekst, der ville gøre dem sammenlignelige.
Kilder
Produktionshistorie
- Radar Signal ? af 100 · spredning 1 kilder
- Vurdering Nyheds 4/5 — Ny DeepMind-teknik der lader AI-agenter forbedres ved at 'drømme' om tidligere forsøg; relevant for agentudvikling.
- Skrevet Model: deepseek-v4-flash · temperatur 0.4
- Overskrift 5 kandidater, valgt af deepseek-v4-flash
- Korrektur 1 zen · 3 rettelser
- Vedtagelse ainews-auto-v3 · score 0.4431