Google DeepMind-მა წარმოადგინა AlphaEvolve, AI-შემეცნებითი აგენტი, რომელიც შესაძლებლობას იძლევა სრულიად ახალი კომპიუტერული ალგორითმების გამოგონებისა და პირდაპირ ეთმობა Google's-ს ფართო ჰავერდის ქსელში. AlphaEvolve ინტეგრირებს Google-ის Gemini გლობალურ ენოვან მოდელებს თანაბარ ევოლუციურ მეთოდთან, რომელიც ავტომატურად ტესტავს, დიზაინს მიანიჭებს და აშენებს გაუმჯობესებულ ალგორითმებს. ის უკვე ზრდის ეფექტურობას Google-ის მონაცემთა ცენტრებს, ჩიპების დიზაინს და AI-ის სასწავლო სისტემებს, რომლებიც მოიცავს მათემატიკურ პრობლემა, რომლებიც თითქმის ვეღარ გვხვდება წლებია. AlphaEvolve, რომელიც DeepMind-ის მკვლევარი Matej Balog-ის თქმით, არის Gemini-ის აღჭურვილ AI-კოდირების აგენტი, შეუძლია შექმნას მძაფრად კომპლექსური ალგორითმები ასობით ხაზით, რომლებიც იყენებენ მოწინავე ლოგიკურ სტრუქტურებს და გლობალურ ფუნქციონებს. განსხვავებით წინასწარი მუშაობისგან FunSearch-ზე, რომელიც ევოლუციურულად შეიცავდა მხოლოდ ერთი ფუნქციას, AlphaEvolve ევოლუციურად ააშენებს მთელ კოდებს, რაც წარმოადგენს მნიშვნელოვან წინსვლას სერიოზული ალგორითმების განვითარების მხრივ სამეცნიერო და პრაქტიკული კომპიუტერული გამოწვევებისთვის. სისტემა აქტიურად მუშაობს Google-ში უკვე ერთი წელია და აჩვენებს მნიშვნელოვან შედეგებს. ერთ-ერთი ალგორითმი, რომელიც AlphaEvolve-მა აღმოაჩინა, გაუმჯობესდა Borg-ის, Google-ის მასშტაბური კლასტერების მართვის სისტემის, ფუნქციონალი, რომელიც საშუალებას აძლევს ამ სისტემას აღიდგინოს საშუალო 0. 7% მსოფლიო სერვერულ რესურსებს, რა დროსაც ის ხარვეზებს ულვოს გაყარდულ რესურსებზე — მანქანებს, რომლებიც შეზღუდული არიან ერთ რესურსზე, მაგრამ მაინც განაღებულია სხვა. საოცარია, რომ AI-მა შექმნა უბრალო, ადვილად ადამიანებისთვის გათვალისწინებული კოდი, რომელსაც ინჟინრები ადვილად იპოვიან და გამოიყენებენ. მონაცემთა ცენტრებისთვის ოდნავ მეტი, AlphaEvolve-მა გაუმჯობესებული ჰარდუერის დიზაინი, რომელიც მარტივად ამარტივებს კრიტიკულ არტიმეტიკის სქემას Tensor Processing Units-ის (TPUs) სახელით. TPU დიზაინერების ვალიდაციით, ეს გაუმჯობესება ასევე გამოყენებული იქნება მომავალ ჩიპ დიზაინებში. გარდა ამისა, AlphaEvolve-მა თავისი საფუძვლიანი სისტემების გაუმჯობესება მოახდინა ოპტიმიზაციით, რომელიც იყენებს ტრენინგის დროს გამოყენებული მეტრიცის მძლავრ კარნელას, რაც გაზარდა ამ ოპერაციის სიჩქარე 23%-ით და შეამცირა საერთო სასწავლო დრო 1%-ით. ასეთი ეფექტიანობა მნიშვნელოვნად აჩქარებს ენერგიისა და რესურსების ხარჯვას გლობალურმა AI სასწავლო პროცესმა. მათემატიკური ინოვაციის თვალსაზრზე, AlphaEvolve-მა განაახლა ახალი მეთოდი გრადიენტული ოპტიმიზაციის, რომელმაც გამოიმუშავა რამდენიმე ახალი მეტოდიკა მატრიაცების გამრავლების ალგორითმებზე, რომლებმაც დაამყარეს 56 წლის რეკორდი. კერძოდ, ის გამოიმზადა ალგორითმი ორი 4×4 კოპლექსული განზომილების მატრიცების გამრავლებისთვის, რომელშიც სქემაში გამოყენებული იყო 48 სკალარული გამრავლება, ხოლო სტრასენის 49-ის ნაცვლად — ის შესრულდა 1969 წლიდან მოყოლებული უნიკალური შედეგი.

ამ გამოსავლებამ გააუმჯობესა 14 მეტოდიკის ალგორითმების მდგომარეობა. იგივე მიღწევები გაფართოვდა მათემატიკური პრობლემების სფეროშიც. AlphaEvolve შეამოწმეს 50-მდე ღია პრობლემაზე მათემატიკურ ანალიზში, გეომეტრიაში, კომბინატორში და ნომერულ თეორიაში და შეასწრეს უახლესი 해결ებები დაახლოებით 75%-ში და მათზე გააუმჯობესეს გარშემო 20%-ის შემთხვევაში. მაგალითად, ის დაამყარა გეომეტრიის მერსიაში წილი გატეხილობის შესახებ უძველესი ისტორიის რეკორდი, მიაღწია კონფიგურაციას 593 არანაკლებ შეგროვებული ერთეული ბურთების რომ უკავშირდებიან მყ nossessary central sphere in 11-განზომილებაში, რაც დაძლია წინა რეკორდს 592. AlphaEvolve-ის ინოვაცია დაფუძნებულია ძირითადად ევოლუციურ მეთოდზე და Gemini-ის მოლურჯულ მოდელებს უკავშირდება. იგი იყენებს Gemini Flash-ს სიჩქარისთვის და Gemini Pro-ს სიღრმისათვის, რათა წინადადებებისთვის და შეცდომებისთვის კოდი განახორციელოს, ხოლო შემდეგ ის ავტომატურად განსჯის და იდუმლოებით იპოვნის საუკეთესოდ გამართულ სამოქმედო ალგორითმს. ეს პროცესი არაამმართლებულად არ არის დამოკიდებული მხოლოდ სწავლების მონაცემებზე, არამედ აქტიურად იკვლევს ახალ გამოსავალებს და განახორციელებს მათ ავტომატური რეაგირების მექანიზმებით, რომლებიც ზოგიერთ ინდიკატორზე დაფუძნებული არიან უტყუარად თავდაპირველად და ხარისხობრივად. ეს მეთოდი საშუალებას აძლევს AlphaEvolve-ს მიაღწიოს ნებისმიერი პრობლემის გადაწყვეტას, რომლის შეფასების მექანიზმიც მიანიშნებს — იქნება ეს ენერგიის მოხმარების ოპტიმიზაცია მონაცემთა ცენტრში თუ მათემატიკური დამტკიცებების დაწესებამდე. მომავალში, Google DeepMind-მ გეგმავს ფართო გამოყენებას მასალებში, წამლის აღმოჩენაში და სხვა რთულ სფეროებში, რომლებიც აკრედიტებენ სრულიად ახალი ალგორითმების საჭიროებას. გუნდმა ინტერვიუს წესით შექმნა მომხმარებლის ინტერფეისი People + AI Research (PAIR) ჯგუფთან და გეგმავს პირველი დაწესებულება სამეცნიერო მკვლევარებისთვის, ხოლო მისი ზოგადი ხელმისაწვდომობის შესაძლებლობები განხილული იქნება. AlphaEvolve წარმოადგენს გამორჩეულ სამეცნიერო ხელსაწყოს, რომელიც ერთდროულად აღწევს მნიშვნელოვანს რეალურ ეფექტს მასშტაბური მასალების გამოყენებით. დიდი ენა მოდელების განვითარებით, მასთან ერთად AlphaEvolve-ის შესაძლებლობები გაიზრდება. სისტემა შექმნილია იმისთვის, რომ განავითაროს AI-ის განვითარება: ის იწყებს Google-ის დიგიტალურ ინფრასტრუქტურაში, ოპტიმიზირებს თავად ჰარდვერის და სფობს და ახლა ამხნევებს ადამიანური მეცნიერების და ტექნოლოგიის ძიების პრობლემებს.