Além do A*: Melhor planejamento com Transformers
Pesquisadores estão explorando se modelos transformer podem superar algoritmos clássicos de planejamento de caminhos como o A* aprendendo com seus traces de execução, por exemplo em resolução de labirintos e quebra-cabeças Sokoban. Os comentaristas acham a abordagem intelectualmente interessante, especialmente como forma de aprender heurísticas ou orientar métodos tradicionais de busca, mas observam que a redução reportada de 26,8% nos passos de busca provavelmente vem com custo computacional muito maior e garantias de otimalidade mais fracas do que o A*. A troca destaca questões mais amplas sobre quando faz sentido substituir algoritmos simbólicos bem compreendidos por modelos neurais pesados, e se esse tipo de trabalho avança o desempenho prático ou principalmente ilustra a flexibilidade dos transformers.
Nomeação do modelo e terminologia
- Vários comentaristas não gostam do nome “Searchformer”; sugerem alternativas (por exemplo, nomes com tema de planejamento, “T*”), e observam colisões de nome com trabalhos anteriores.
- Alguns argumentam que “Search” é apropriado por causa da herança do A*; outros dizem que “Planning” combinaria melhor com a terminologia de planejamento simbólico e evitaria confusão com o “search” de recuperação de informação.
- Piadas sobre nomes, marcas registradas e a proliferação de nomes inspirados em transformers.
Desempenho vs A* e busca clássica
- O artigo afirma menos passos de busca A* em tarefas de Sokoban e labirinto; comentaristas observam que isso não significa necessariamente tempo de execução menor.
- Vários participantes afirmam que o custo por passo do A* é trivial em comparação com executar um transformer; alguns duvidam de qualquer ganho de velocidade, especialmente porque tempos de execução não são relatados.
- Há discussão sobre o A* ser ótimo sob suas suposições e sobre métodos específicos de domínio (por exemplo, Jump Point Search) poderem superá-lo ao explorar estrutura.
Heurísticas aprendidas e abordagens híbridas
- Forte interesse em usar modelos aprendidos para fornecer heurísticas ou desempates para A*, branch-and-bound, ILP, SAT e outros otimizadores discretos.
- Preferência de vários comentaristas por sistemas híbridos: manter algoritmos comprováveis, enriquecendo-os com heurísticas aprendidas por ML em vez de substituí-los por completo.
- Alguns veem este artigo como um passo rumo a uma forma genérica e orientada por dados de ajustar estratégias de busca em vez de criar heurísticas manualmente.
Sokoban, benchmarks e valor científico
- Críticos observam que solucionadores SOTA de Sokoban superam amplamente o A* puro, então vencer o A* vanilla é um resultado modesto.
- Surgem প্রশ্নões sobre a contribuição científica do artigo se ele largely espelha traces de A* e os melhora por um fator constante.
- Outros contrapõem que pesquisa não precisa ser SOTA para ser valiosa; ela pode ilustrar um novo enquadramento (transformers sobre traces de execução) e inspirar trabalhos de seguimento.
Otimalidade, insolubilidade e limitações
- Há preocupações de que planejadores baseados em transformers não provem naturalmente otimalidade ou ausência de soluções, enquanto o A* pode fazê-lo em espaços finitos.
- Discussão sobre as dificuldades dos transformers com formas fortes de negação lógica e garantias.
- Alguns veem o trabalho como evidência da surpreendente generalidade dos transformers; outros alertam contra generalizar demais o sucesso da IA generativa para todos os problemas de planejamento/otimização.