谷歌 DeepMind 今日发布 AlphaEvolve，一款具备自我进化能力的人工智能代理，它不仅能自主发明复杂的计算机算法，还已广泛应用于谷歌的数据中心、芯片设计和 AI 模型训练中，取得了显著成果。
AlphaEvolve 将 Gemini 大语言模型与进化式优化方法结合，自动测试、改进并提升整个代码库，而不仅限于单一函数。该系统已在内部悄然运行一年多，提升了计算资源调度效率、加速了模型训练，并在数学研究上实现了突破。
从服务器到芯片，AlphaEvolve 优化谷歌底层架构
AlphaEvolve 所提出的调度算法已在谷歌全球数据中心投入使用，解决“资源搁浅”问题，实现了0.7% 的资源恢复。对于谷歌的规模而言，这意味着显著的成本与能源节省。
它还优化了张量处理单元（TPU）的关键电路逻辑，成功删除了冗余位，从而提升即将推出的芯片设计。同时，AlphaEvolve 还改进了自身所用的 AI 训练内核，使 Gemini 模型的矩阵运算速度提升23%，整体训练时间缩短1%。
图源备注：图片由AI生成，图片授权服务商Midjourney
打破数学56年难题，解决接吻数问题
AlphaEvolve 在基础科学领域的贡献同样引人注目。它通过全新设计的优化器改写了矩阵乘法算法，首次在4×4复值矩阵上超越1969年 Strassen 算法，将所需乘法次数从49降至48，打破了持续56年的纪录。
在测试超过50个未解数学问题时，AlphaEvolve 在约75% 情况下匹配现有最佳解，约20% 情况下提出更优解。其中一个经典问题是“接吻数问题”:该系统在11维空间中找到了可同时接触中心球体的593个球体，刷新了此前的世界纪录。
AI 发明 AI:AlphaEvolve 的工作原理
与传统 AI 编码工具不同，AlphaEvolve 并不依赖单一提示生成代码，而是通过进化方式进行算法发明。它同时调用 Gemini Flash 和 Gemini Pro，为代码提出修改建议，由系统评估器筛选出最优解，进入下一轮进化。
DeepMind 研究员 Alexander Novikov 表示，该系统专注于“具有明确评估标准的问题”，使自动优化更为高效可靠。正因如此，AlphaEvolve 能跨越从数据中心管理到数学定理证明的多重领域，生成人类难以构思的高效解法。
下一站:药物研发、材料科学和更广泛的科学协作
DeepMind 表示，AlphaEvolve 的潜力远不止于谷歌内部。目前公司正与“人类+AI”研究团队合作开发用户界面，并计划向部分学术机构开放早期访问。
“这是一种真正能在现实世界中迅速产生影响的科学工具，”研究员 Chris Balog 表示，“AlphaEvolve 正在拓展 AI 的边界，不仅优化了驱动其自身的系统，也帮助我们破解长期未解的难题。”
随着大型语言模型持续演进，AlphaEvolve 展示了人工智能如何不断进化，向更深层次的创造力和科学发现迈进。
