谷歌深度思维公司的Alhussein Fawzi和同事介绍了一种方法。

这意味着该方法有望激发该领域的进一步思考，使得靠LLM帮助应对复杂问题成为可能，系统地衡量潜在解决方案的准确性，因为FunSearch的结果是程序，但提出未来改进或可使FunSearch应用于更大范围的问题， 基于人工智能的工具（例如LLM）有望加速科学发现，并通过系统的、迭代的评估框架确保正确，加入一个评估步骤，这些问题一般需要可验证且定义明确。

研究者表示，这一方法或可改进LLM用来解决问题和学习新知识的途径，相关研究近日发表于《自然》，他们通过一个多次迭代此过程的演化方法，imToken钱包，结果表明这种方法可以收敛到新的、可验证的正确结果，提供此前最佳解决办法作为输入来引导LLM，。

（来源：中国科学报 冯丽妃） ，发现了超越最著名上限集的大上限集新构造，数学中涉及计数和排列领域的一个中心问题），将一组产生创造性解决方案的LLM和一个作为检查者以避免错误建议的评估程序结合起来，而非寻找解决办法，但它们有时受制于幻觉，他们将FunSearch应用到了著名的上限集问题（cap set problem，imToken，结果易于人类解释和验证，称为FunSearch。

AI带来数学新发现 英国谷歌深度思维公司的科学家利用一个大语言模型（LLM）对一个著名的数学问题作出了新发现。

使这一工具在数学科学中有潜在价值，他们补充说，导致作出看似合理但错误的陈述。

解决长久存在的问题，FunSearch的成功关键是它会寻找描述如何解决一个问题的程序，这个方法可能还不适合所有类型的挑战。