谷歌DeepMind公布了AlphaEvolve，一款能够发明全新计算机算法并立即部署在谷歌庞大的计算基础设施中的人工智能代理。AlphaEvolve整合了谷歌的Gemini大型语言模型与一种进化方法，自动测试、改进和优化算法。它已经在谷歌的多个数据中心、芯片设计和人工智能训练系统中提升了效率，解决了数十年来未能破解的数学难题。 DeepMind的研究员Matej Balog将AlphaEvolve描述为一款由Gemini驱动的AI编码代理，能够创造出涵盖数百行、具有复杂逻辑结构的高复杂度算法，超越简单函数的范畴。与以往只演化单一函数的FunSearch不同，AlphaEvolve能演化完整的代码库，这标志着在开发复杂科学和实用计算算法方面迈出了重要的一步。 这一系统在谷歌内部悄然运行超过一年，取得了显著的成果。AlphaEvolve发现的一个算法优化了谷歌庞大的集群管理系统Borg，通过解决“闲置资源”问题（即被限于某一资源类型但在其他类型上空闲的机器），平均回收了全球0. 7%的计算资源。令人惊讶的是，此AI产出的代码简单、可读、易于工程师调试和部署。 不仅如此，AlphaEvolve还提升了谷歌硬件设计，简化了Tensor Processing Units（TPUs）中的关键算术电路。经TPU设计团队验证后，该改进将应用于未来的芯片设计中。此外，AlphaEvolve对其自身的基础系统也进行了优化，提升了用于训练Gemini模型的矩阵乘法内核的速度，实现了23%的加速，整体训练时间缩短了1%。这些效率提升在大型AI训练中意味着显著的节能和资源节省。 在数学创新方面，AlphaEvolve设计出一种新颖的基于梯度的优化方法，产生了多种新颖的矩阵乘法算法，超越了持续56年的纪录。具体而言，它提出了一种用48个标量乘法替代Strassen算法49个乘法的4×4复数矩阵乘法算法——这一成就自1969年以来一直没被攻破。这一突破改善了14种矩阵乘法算法的技术水平。 AlphaEvolve的数学能力还超越了矩阵问题。在对超过50个数学分析、几何、组合和数论领域的开放问题进行测试时，它大约75%的时间能达到当前最先进的解决方案，在20%左右的情形中还实现了超越。例如，它在“接吻数问题”上打破了几个世纪的纪录，找到了一种在11维空间中由593个不重叠的单位球组成的构型，击败了之前的纪录592。 AlphaEvolve核心创新在于其结合Gemini语言模型的进化方法。它利用Gemini Flash实现快速提议和修改代码，使用Gemini Pro进行深度探索，然后自动评估代码的表现。最优的算法会引导后续的演化循环。这一过程不仅依赖训练数据，还通过主动探索新方案，借助自动反馈循环不断优化，具有明确的有效性和质量评估标准。 这一方法使AlphaEvolve能够应对任何具备明确评价指标的问题——无论是优化数据中心的能耗，还是改进数学证明。展望未来，谷歌DeepMind计划将其应用拓展到材料科学、药物发现等复杂依赖算法的领域。团队正与People + AI研究组共同开发用户界面，并计划为部分学术研究者开启早期访问计划，未来或将向更广泛的用户群体开放。 AlphaEvolve是一种罕见的科学工具，既能带来巨大规模的实际应用影响，又推动基础研究的突破。随着大型语言模型的持续发展，AlphaEvolve的能力也将同步提升。这一系统充分展现了AI的演变：它起始于谷歌的数字基础设施，不仅优化硬件和软件，还能够应对科学和技术领域中的长期难题。