GoogleAlphaEvolve引發OpenAI關注：AI原創演算法，正挑戰人類專家界限

GoogleDeepMind這兩天推出的AlphaEvolve的新系統，因其在演算法設計上展現出的超越人類專家的原創能力，引起了業界的廣泛關注，其中也包括來自OpenAI等頂尖研究機構的目光。該系統不僅成功最佳化了沿用數十年的經典演算法，更在多個實際應用中設計出全新解決方案。

AlphaEvolve的核心在於其巧妙地結合了GoogleGemini模型的強大程式碼生成能力與一種進化演算法。通過這種機制，系統能夠自主探索、生成並迭代最佳化演算法程式碼。其最引人注目的成就之一，便是針對已存在56年之久的Strassen矩陣乘法演算法提出了更高效的計算方法，減少了產生結果所需的計算量。此外，DeepMind還運用AlphaEvolve在資料中心任務調度、電腦晶片設計以及大型語言模型（如Gemini自身）的最佳化等領域取得了突破，設計出超越現有已知方案的演算法。

DeepMind的研究人員強調，AlphaEvolve所發現的演算法並非對現有知識庫的簡單模仿或重組，而是“可被精確證明是全新的、且正確的”，這些成果在訓練資料中並不存在。這標誌著AI在特定任務上，已從學習和複製邁向了真正的創造和發現

這種原創能力正是AlphaEvolve引起業內高度關注的關鍵。OpenAI的研究員Jason Wei坦言對AlphaEvolve的進展感到“震撼”：

“判別器-生成器差距”可能是AI驅動科學創新的最重要的理念。AlphaEvolve的成功，正是利用了這一點：只要我們能夠清晰地定義問題並建立有效的評估（測量）體系，AI憑藉其強大的算力和搜尋能力，就能在巨大的可能性空間中找到最優解。Jason Wei甚至提出“測量就是你所需要的一切”（Measurement is all you need），只要問題可以被量化和快速驗證，AI就有潛力在該領域取得突破--jason wei

這裡大家可能對判別器-生成器差距 (Discriminator-generator gap) 這個概念比較陌生，這通常指的是生成對抗網路（GANs）中的核心概念。在GANs中，生成器（Generator）嘗試建立逼真的資料（例如圖像、文字），而判別器（Discriminator）則努力區分真實資料和生成器建立的虛假資料。兩者在持續的競爭中共同進化和提升，生成器力求“欺騙”判別器，判別器則不斷提高識別能力。“差距”指兩者能力之間的差異，或者通過這種對抗過程驅動的創新潛力

AlphaEvolve並非DeepMind在利用AI探索科學邊界方面的首次嘗試。此前的AlphaTensor項目利用強化學習發現了新的矩陣乘法演算法，而FunSearch則使用進化方法為特定問題生成更高效的程式碼。這些項目的共同點在於，它們都旨在讓AI超越模式識別，進入主動發現和創造的領域

Google最近一直在放大招，感覺又重回AI領頭羊的角色了，據說Google會在北美5月20號的I/O大會上放出Gemini 2.5超大杯，我們拭目以待，哈哈，OpenAI放出Codex已經提前狙擊Google了 (AI寒武紀)