文字編輯｜宋雨涵
1
AlphaEvolve智能體
AI智能體的范式革命
據官方介紹，AlphaEvolve提升了谷歌數據中心、芯片設計以及AI訓練流程的效率，還幫助設計了更快的矩陣乘法算法，并找到了一些數學開放問題的新解，展現出在多個領域廣泛應用的巨大潛力。
具體而言，AlphaEvolve利用Gemini系列中的多個最新大模型，其工作流程包括從語言模型生成算法代碼到通過自動化評估器對這些代碼進行驗證和評分，最后在算法數據庫中實現進化機制，不斷優(yōu)化生成的方案。
谷歌DeepMind在其博客中透露，過去一年間，他們成功將AlphaEvolve所發(fā)現的算法部署到了谷歌的計算生態(tài)體系內，該體系涵蓋了數據中心、硬件以及軟件等多個層面。
其中，有一項算法雖看似簡單，卻成效斐然。這是一則啟發(fā)式算法，現已被應用于谷歌大規(guī)模的集群管理系統(tǒng)Borg中，有力地協助谷歌實現了對數據中心的高效管理。此解決方案投入生產使用已逾一年，該啟發(fā)式調度算法能夠平均持續(xù)地恢復谷歌全球計算資源0.7%的效能。值得一提的是，其提供的代碼具有可解釋性、可調試性、可預測性，并且部署起來十分便捷。
此外，AlphaEvolve還提出了一種Verilog重寫方案。該方案針對矩陣乘法中一個關鍵且經過高度優(yōu)化的算術電路，移除了其中不必要的位。不過，此提案必須通過嚴謹的驗證方法，來確保修改后的電路在功能上依然保持正確性。目前，這一方案已成功集成到谷歌即將推出的張量處理單元（TPU）當中。
2
加速AI訓練和推理
Gemini訓練時間縮短1%
在AI的訓練與推理環(huán)節(jié)，AlphaEvolve正發(fā)揮著關鍵作用，有力推動著AI性能以及研究速度的顯著提升。
AlphaEvolve通過創(chuàng)新的方法，將大型矩陣乘法操作拆解成更易處理的子問題。這一舉措成效顯著，使得在Gemini架構的關鍵內核上，運算速度提高了23%，同時Gemini的訓練時間也縮短了1%。不僅如此，它還大幅縮減了內核優(yōu)化的工程耗時，原本需要專家投入數周精力才能完成的工作，如今借助自動化實驗，僅需數天便可達成。
此外，AlphaEvolve還具備優(yōu)化底層GPU指令的能力。通常，這一領域已經由編譯器進行了高度優(yōu)化，人類工程師一般不會直接對其進行修改。然而，AlphaEvolve卻能在Transformer-based AI模型的FlashAttention內核實現中，實現高達32.5%的加速效果。這一成果能夠幫助開發(fā)者迅速定位性能瓶頸，并將其無縫融入代碼庫，為AI開發(fā)帶來更多便利。
突破性成果：
從數學到硬件的全領域顛覆務
數學難題的AI解法
接吻數問題：在11維空間中，AlphaEvolve發(fā)現由593個球體組成的非重疊配置，刷新了該問題的下限紀錄，解決了自牛頓時代以來的幾何學挑戰(zhàn)。
矩陣乘法優(yōu)化：提出4×4復值矩陣乘法新算法，僅需48次標量乘法，超越1969年Strassen算法的49次紀錄，打破56年“最優(yōu)解”神話。
開放問題表現：在50余個數學分析、組合學問題中，75%復現已知最優(yōu)解，20%提出更優(yōu)方案，例如改進Erd?s最小重疊問題的上界。
工業(yè)級應用落地
數據中心優(yōu)化：部署啟發(fā)式調度算法至谷歌Borg系統(tǒng)，實現全球計算資源0.7%的持續(xù)回收，年節(jié)省成本達數億美元。
芯片設計革新：優(yōu)化TPU關鍵電路邏輯，刪除冗余位并提升能效，相關方案已集成至下一代谷歌TPU。
未來展望：
從代碼生成到通用科學智能體
DeepMind計劃開放AlphaEvolve的早期學術訪問，并與“人類+AI”團隊合作開發(fā)友好界面，推動其在藥物研發(fā)、材料科學等領域的應用。其通用性潛力預示，任何可算法化描述的問題——從可持續(xù)能源優(yōu)化到蛋白質結構預測——均可能成為下一戰(zhàn)場。
正如谷歌研究員Alexander Novikov所言：“AlphaEvolve的跨界能力令人震驚，它正在重新定義AI與人類智慧的協作邊界?！边@場由AI主導的科學革命，或將開啟一個算法自主進化、算力極致釋放的新紀元。
