Google DeepMind introduceret AlphaEvolve Den 14. maj blev en Gemini-drevet AI-agent lanceret, der autonomt opdager og optimerer algoritmer på tværs af både teoretiske og praktiske områder. Blandt de vigtigste resultater er at slå en 56 år gammel rekord i matrixmultiplikation, udvikle løsninger til åbne matematiske problemer såsom det 11-dimensionelle "kyssetal" og levere målbare effektivitetsgevinster i Googles egen infrastruktur – lige fra datacenterplanlægning til chipdesign og træning af store modeller. Systemet udnytter en evolutionær løkke af forslag og evaluering, der blander hastigheden fra Gemini Flash med dybden fra Gemini Pro og markerer et vigtigt skridt mod AI-drevet videnskabelig og industriel innovation.
Baggrund og kontekst
AlphaEvolve bygger videre på DeepMinds tidligere succeser inden for AI-drevet algoritmeopdagelse – især AlphaTensor, som i 2022 først overgik Strassens algoritme til 4×4 matrixmultiplikation. I modsætning til sine forgængere er AlphaEvolve designet som en generelle formål en agent, der er i stand til at udvikle hele kodebaser i stedet for enkeltfunktioner, og som udvider AI-genereret opfindelse fra isolerede opgaver til brede algoritmiske arbejdsgange.
Vigtige gennembrud i AlphaEvolve
Slår en 56 år gammel rekord i matrixmultiplikation
- 4×4 kompleks matrixmultiplikationAlphaEvolve opdagede en algoritme, der krævede 48 skalarmultiplikationer i stedet for de 49, som Strassens skelsættende tilgang fra 1969 krævede – en bedrift, som matematikere havde søgt efter i over fem årtier.
- Generelle forbedringerI alt forbedrede AlphaEvolve 14 forskellige matrixmultiplikationsindstillinger og overgik rutinemæssigt både menneskeskabte og tidligere AI-afledte metoder.
Nye løsninger til åbne matematiske problemer
- **Kysse-tal-problem (11 dimensioner)**AI'en hævede den kendte nedre grænse fra 592 til 593 kugler, der rører en central kugle – en trinvis men beviseligt nyt fremskridt i en århundredgammel geometrisk udfordring.
- Undersøgelse på tværs af 50+ problemerNår AlphaEvolve blev anvendt på domæner inden for analyse, kombinatorik, geometri og talteori, replikerede det den nyeste teknologi 75 procent af tiden, og forbedret på eksisterende løsninger i cirka 20 procent af tilfældene.
Teknisk tilgang
AlphaEvolves kerne-pipeline består af:
- Generering af forslag via Gemini Flash til bred udforskning og Gemini Pro til dybdegående ræsonnement.
- Automatiseret evaluering, hvor verificeringsprogrammer omhyggeligt kontrollerer både korrekthed og præstation for hver kandidat.
- Evolutionær selektion, idet de varianter med den højeste score bibeholdes og itereres, indtil optimale eller næsten optimale løsninger dukker op.
Denne løkke omdanner store sprogmodeller til en "algoritmefabrik", der inddrager principper fra evolutionær databehandling og automatiserede sætninger, hvilket viser sig at drive ægte innovation snarere end blot parafrasering af eksisterende kode.
Virkelighed i verden
Infrastruktur og effektivitetsgevinster
- Planlægning af datacenter: Opnåede en 1 procent forbedring af orkestreringseffektiviteten, hvilket resulterer i betydelige energi- og omkostningsbesparelser på Google-niveau.
- LLM-træningskerneOptimerede en nøglematrix-multiplikationskerne, der bruges i træning af Gemini-modeller, hvilket leverer en 23 procent hastighedsforøgelse af den operation og en reduktion af den samlede træningstid med 1 procent– svarende til besparelser på millioner af dollars årligt på computere.
Videnskabelig udforskning
Ud over intern implementering planlægger DeepMind at lancere en Program for tidlig adgang for udvalgte akademiske forskere, hvilket muliggør bredere udforskning inden for materialevidenskab, lægemiddelforskning og andre områder, der kræver komplekse algoritmiske løsninger.
Fremtidsudsigter og udfordringer
Selvom de domænespecifikke fremskridt til dato er imponerende, advarer eksperter om, at skalering af AlphaEvolves evolutionære tilgang til stadigt mere komplekse, flertrins videnskabelige problemer vil kræve yderligere innovationer i verifikatordesign og modelpålidelighed. Ikke desto mindre er den demonstrerede AI-menneskelig synergi Inden for problemformulering, validering og iterativ forfining åbner det en lovende vej mod AI-udvidet opdagelse i en skala, der ikke kan opnås af mennesker alene.
Konklusion
AlphaEvolve repræsenterer en milepæl inden for AI-drevet algoritmedesign, der kombinerer den kreative bredde af store sprogmodeller med disciplineret evolutionær søgning og formel verifikation. Ved at levere både teoretiske fremskridt – såsom forbedrede matematiske grænser – og håndgribelige effektivitetsgevinster i Googles egne operationer understreger AlphaEvolve det transformative potentiale. automatiseret videnskabelig opdagelseI takt med at DeepMind forbereder sig på at åbne dørene for eksterne forskere, kan det bredere fællesskab se frem til hidtil usete samarbejder i frontlinjen mellem kunstig intelligens og videnskab.
Kom godt i gang
CometAPI leverer en samlet REST-grænseflade, der samler hundredvis af AI-modeller – inklusive Gemini AI-familien – under et ensartet slutpunkt med indbygget API-nøglestyring, brugskvoter og faktureringsdashboards. I stedet for at jonglere med flere leverandør-URL'er og legitimationsoplysninger.
Udviklere kan få adgang Gemini 2.5 Flash Pre API osv. igennem CometAPI. For at begynde skal du udforske modellens muligheder i Legepladsen og konsultere API guide for detaljerede instruktioner.