كشفت شركة DeepMind من غوغل عن AlphaEvolve، وهو وكيل ذكاء اصطناعي قادر على ابتكار خوارزميات حاسوبية جديدة تمامًا وتطبيقها على الفور ضمن البنية التحتية الحاسوبية الواسعة لشركة غوغل. يدمج AlphaEvolve نماذج اللغة الكبيرة من غوغل، مثل Gemini، مع طريقة تطورية تختبر بشكل تلقائي وتحسن وترقي الخوارزميات، ما يعزز الكفاءة في مراكز بيانات غوغل، وتصاميم الرقائق، وأنظمة تدريب الذكاء الاصطناعي، ويحل مشاكل رياضية لم تُحل منذ عقود. وصف الباحث في DeepMind، ماتيج بالوج، AlphaEvolve بأنه وكيل برمجة ذكاء اصطناعي مدعوم بواسطة Gemini، قادر على إنشاء خوارزميات معقدة جدًا تتجاوز الوظائف البسيطة، وتضم مئات الأسطر وتراكيب منطقية متقدمة. وعلى عكس الأعمال السابقة مع FunSearch التي كانت تطور وظيفة واحدة، يطور AlphaEvolve قواعد برمجية كاملة، مما يمثل تطورًا مهمًا في تطوير خوارزميات متقدمة للتحديات العلمية والعملية على حد سواء. عمل هذا النظام في هدوء داخل غوغل منذ أكثر من عام، وأسفر عن نتائج ملحوظة. أحد الخوارزميات التي اكتشفها AlphaEvolve يحسن نظام إدارة المجموعات الضخمة Borg الخاص بغوغل، حيث يعيد تخصيص حوالي 0. 7% من موارد الحوسبة العالمية عن طريق معالجة "الموارد المحتجزة" — أجهزة محدودة بسبب نوع واحد من الموارد لكنها خاملة في موارد أخرى. والأمر المدهش أن الذكاء الاصطناعي يولد رموزًا بسيطة وقابلة للقراءة البشرية يمكن للمهندسين تصحيحها ونشرها بسهولة. بالإضافة إلى مراكز البيانات، حسّن AlphaEvolve تصميم معدات غوغل من خلال تبسيط دائرة حسابية حاسمة لوحدات المعالجة بالتنسور (TPUs). وبعد التحقق من مهندسي الـ TPU، ستُدرج هذه التحسينات في تصاميم شرائح قادمة. وعلاوة على ذلك، حسّن AlphaEvolve أنظمته الأساسية من خلال تحسين نواة ضرب المصفوفات المستخدمة في تدريب نماذج Gemini، محققًا سرعة زيادة بنسبة 23% لهذه العملية وتقليل زمن التدريب الكلي بنسبة 1%. وتؤدي هذه التحسينات إلى وفورات ملحوظة في الطاقة والموارد أثناء التدريب على نطاق واسع للذكاء الاصطناعي. وفي مجال الابتكار الرياضي، صمم AlphaEvolve خوارزمية جديدة للتحسين تعتمد على التدرج، أسفرت عن إبداع عدة خوارزميات جديدة لضرب المصفوفات، متجاوزًا سجلاً استمر لمدة 56 عامًا. على وجه التحديد، وجد خوارزمية لضرب مصفوفتين مركبتين بحجم 4×4 ذات قيم مركبة، باستخدام 48 عملية ضرب عددية بدلاً من 49 التي استخدمها طرق ستراسن، وهو إنجاز لم يحققه علماء الرياضيات منذ عام 1969. هذا التقدم رفع مستوى أحدث الخوارزميات لضرب المصفوفات. تمتد قدرات AlphaEvolve الرياضية أيضًا إلى مسائل أخرى خارج مشكلة المصفوفات.

بعد اختباره على أكثر من 50 مسألة مفتوحة في التحليل الرياضي والهندسة والتركيبات ونظرية الأعداد، أظهر تطابقه مع الحلول الحديثة في حوالي 75% من الحالات، وقدم تحسينات في حوالي 20% منها. على سبيل المثال، كسر رقمًا هندسيًا عمره قرونًا في مشكلة "عدد التقبيل"، من خلال إيجاد توزيع لنحو 593 كرة وحدة غير متداخلة تلامس كرة مركزية في 11 بعدًا، متجاوزًا الرقم السابق وهو 592. جوهر ابتكار AlphaEvolve هو منهجيته التطورية المرتكزة على نماذج اللغة من نوع Gemini. يستخدم النموذجين Gemini Flash للسرعة و Gemini Pro للعمق، لاقتراح وتعديل التعليمات البرمجية، والتي يتم تقييمها تلقائيًا. وتوجه أفضل الخوارزميات أداءً دورة التطوير التالية. لا تعتمد هذه العملية فقط على بيانات التدريب، بل تستكشف بشكل نشط حلولًا جديدة، وتقوم بتنقيحها من خلال حلقات ردود فعل أوتوماتيكية تعتمد على مقاييس واضحة للصحة والجودة. تتيح هذه المنهجية لـ AlphaEvolve معالجة أي مشكلة قابلة للتقييم، سواء كانت تحسين استهلاك الطاقة في مراكز البيانات أو إثبات النظريات الرياضية. وتطمح شركة DeepMind إلى توسيع تطبيقاته ليشمل مجالات علم المواد، اكتشاف الأدوية، وحقول أخرى تعتمد على الخوارزميات المعقدة. ويعمل الفريق على تطوير واجهة مستخدم بالشراكة مع مجموعة أبحاث الناس والذكاء الاصطناعي، ويخطّط لإطلاق برنامج وصول مبكر لعدد من الباحثين الأكاديميين، مع إمكانية توسيعه في المستقبل. يمثل AlphaEvolve أداة علمية نادرة تحقق تأثيرًا عمليًا واسع النطاق. ومع استمرار تطور نماذج اللغة الكبيرة، من المتوقع أن تتنامى قدراته بشكل متزايد. ويجسد هذا النظام تطور الذكاء الاصطناعي: فهو يبدأ بنية تحتية رقمية داخل غوغل، ويقوم بتحسين الأجهزة والبرامج التي تدعمها، ويتصدى الآن للتحديات الفكرية البشرية القديمة في مجالي العلم والتكنولوجيا.