AlphaEvolve：算法发现的AI新突破及其对人工智能的影响

 Google DeepMind 推出的 AlphaEvolve 标志着人工智能在算法设计和科学发现领域取得了重要突破。这款由 Gemini 模型驱动的编码智能体，结合了大型语言模型的创造力与自动化评估和演化方法，展现出超越现有技术水平的算法生成和优化能力。

AlphaEvolve 的关键突破在于：

• 发现更优的矩阵乘法算法： AlphaEvolve 首次找到了一个将两个 4x4 复数矩阵相乘仅需 48 次乘法的算法。这打破了长达 56 年来由 Strassen 算法保持的 49 次乘法记录，在理论计算机科学领域具有重要意义。矩阵乘法是许多计算任务（包括深度学习）中的基本操作，更快的算法可以带来显著的性能提升。
• 端到端代码库演化能力： 相较于以往仅能生成或优化单个函数的AI工具，AlphaEvolve 能够演化整个代码库。这意味着它可以设计更复杂、更完整的算法和程序，具备解决实际问题的更大潜力。
• 广泛的数学和科学问题解决能力： AlphaEvolve 在超过 50 个开放的数学问题上进行了测试，包括几何、组合数学和数论等领域。它不仅在约 75% 的情况下重新发现了现有最先进的解决方案，还在约 20% 的情况下找到了改进的解决方案，例如在 11 维空间中改进了“接吻数问题”（kissing number problem）的下界。
• 实际应用的有效性： AlphaEvolve 的能力已在实际中得到验证，它被用于提高 Google 数据中心、芯片设计和 AI 训练过程的效率，包括加速 Transformer 模型中关键的 FlashAttention 内核。
• 高效的搜索和评估机制： AlphaEvolve 结合了 Gemini 模型生成代码的可能性与强大的自动化评估系统，能够有效地筛选和改进算法，并且比前代方法（如 FunSearch）在评估复杂性和样本效率方面有显著提升。

AlphaEvolve 对人工智能的影响：

AlphaEvolve 的突破对人工智能领域产生了多方面的深远影响：

• 加速AI研究和开发： 通过自动化和加速算法的发现过程，AlphaEvolve 可以帮助研究人员更快地探索新的模型架构、优化技术和计算方法，从而推动AI技术的整体发展速度。
• 提升AI系统的效率： 发现更高效的基础算法（如矩阵乘法）可以直接提升各种AI模型的训练和推理速度，降低计算成本和能源消耗，使得更大规模、更复杂的AI应用成为可能。
• 拓展AI在科学发现中的应用： AlphaEvolve 在数学和其他科学问题上的表现表明，AI 不仅是解决现有问题的工具，也能够主动进行科学探索和发现新的知识，这为AI在基础科学研究领域的应用开辟了新的道路。
• 改进硬件和系统设计： AlphaEvolve 生成的高效算法可以为定制化的AI硬件（如ASIC和TPU）设计提供指导，从而实现软硬件协同优化，进一步提升AI计算的性能。
• 改变算法工程师的工作方式： AlphaEvolve 作为一种强大的自动化算法设计工具，可能会改变未来算法工程师的工作流程，使他们能够更专注于问题定义、结果分析和高层次的创新，而不是耗费大量时间在手动调优和探索上。

总而言之，AlphaEvolve 的出现代表着AI在“发明”本身方面的能力迈出了重要一步。它不仅能够解决现有问题，更能通过自动化的探索和演化过程发现全新的、更优的解决方案，尤其在底层计算算法和科学问题方面展现出巨大潜力，预示着人工智能将在未来的科学研究和技术发展中扮演越来越核心的角色。