GoogleDeepMind發佈AlphaEvolve：AI界的“演算法設計進化大師”誕生

GoogleDeepMind剛剛又往前拱了一大步，宣佈推出 AlphaEvolve智能體 ，目標直指更上游，用於通用演算法的設計發現和最佳化

簡單說，AlphaEvolve就像個AI界的“演算法育種大師”。它把自家Gemini大模型（Gemini Flash負責廣撒網，洞察力強的Gemini Pro負責深挖）和一套“自動化考官”（負責驗證演算法靠不靠譜、效率高不高）結合起來，再套上一個“進化論”的框架，讓好演算法能一代更比一代強

AlphaEvolve工作流程：工程師設定框架，AI通過“提示採樣器”給LLM喂招，LLM出新招（程序），“考官”打分，好招進“兵器譜”，並用來啟發下一輪出招。

去年DeepMind就秀過肌肉，證明LLM能生成程式碼函數來搞定科學問題。但AlphaEvolve的野心是進化一整個程式碼體系，去啃那些更複雜的演算法硬骨頭。

AlphaEvolve已經在Google內部“上崗”了

AlphaEvolve已經在Google的多個核心業務裡默默發光發熱了：

1.改善資料中心調度：

AlphaEvolve給Google龐大的資料中心Borg系統發現了一種簡單卻極其有效的啟髮式方法。這套方案上線一年多，平均給Google全球計算資源摳回了0.7%的算力

2.設計晶片 (TPU Circuit Design)：

在Google的AI晶片TPU設計中，AlphaEvolve直接上手改起了Verilog（晶片設計語言）。它最佳化了一個矩陣乘法關鍵電路，去掉了冗餘。改動通過了嚴格的“體檢”，確認功能沒問題，已經被用在了下一代TPU裡

3.給AI訓練和推理再提提速：

AlphaEvolve找到了更巧妙的方法來拆解大矩陣乘法，讓Gemini架構裡的這個核心“零部件”快了23%，最終給Gemini模型的訓練省了1%的時間。對大模型訓練這種“吞金獸”來說，1%也是肉。工程師們也從幾周的苦哈哈最佳化，變成了幾天的自動化實驗，能更快搞創新了

它甚至還能最佳化底層的GPU指令。對於Transformer模型裡常用的FlashAttention，AlphaEvolve給整出了最高32.5%的加速。這塊通常是編譯器啃的硬骨頭，人一般不輕易動

不止搞工程，數學前沿它也敢闖

AlphaEvolve的目標不只是最佳化現有系統，它還想在更基礎的數學和演算法發現上取得突破：

矩陣乘法新演算法：

給定一個基礎程式碼框架，AlphaEvolve設計出了一種新穎的基於梯度的最佳化過程，發現了多個矩陣乘法新演算法。例如，它找到了一個用48次標量乘法計算4x4複數矩陣乘積的演算法，優於自1969年以來已知的Strassen演算法。這比DeepMind之前的AlphaTensor（專攻矩陣乘法，但對4x4矩陣只在二元算術上找到改進）又進了一步

攻克公開數學難題：

DeepMind用AlphaEvolve嘗試了超過50個來自數學分析、幾何、組合學和數論的公開問題，在約 75% 的案例中，它重新發現了當前已知的最優解。在約20%的案例中，它改進了已知的最優解！

例如，在困擾了數學家300多年的“接吻數問題”（Kissing Number Problem，即一個中心球最多能同時接觸多少個不重疊的等大球體）上，AlphaEvolve在11維空間中發現了一個包含593個外層球的構型，刷新了該維度下的已知下界

對數學成果感興趣的，DeepMind也放了些結果在Google Colab上，地址：

https://colab.research.google.com/github/google-deepmind/alphaevolve_results/blob/master/mathematical_results.ipynb

寫在最後

大語言模型的編碼能力還在進化，AlphaEvolve也會跟著變強。Google目前推出了早期試用計畫，先給學術圈的朋友們嘗嘗鮮，想嘗鮮的可以去DeepMind官網填個表

https://docs.google.com/forms/d/e/1FAIpQLSfaLUgKtUOJWdQtyLNAYb3KAkABAlKDmZoIqPbHtwmy3YXlCg/viewform (AI寒武紀)