Google DeepMind vorgestellt AlphaEvolve Am 14. Mai wurde ein Gemini-basierter KI-Agent vorgestellt, der autonom Algorithmen in theoretischen und praktischen Bereichen entdeckt und optimiert. Zu den wichtigsten Errungenschaften zählen das Brechen eines 56 Jahre alten Rekords in der Matrizenmultiplikation, die Weiterentwicklung von Lösungen für offene mathematische Probleme wie die elfdimensionale „Kusszahl“ und die Erzielung messbarer Effizienzsteigerungen in Googles eigener Infrastruktur – von der Rechenzentrumsplanung über Chipdesign bis hin zum Training großer Modelle. Das System nutzt einen evolutionären Kreislauf aus Vorschlag und Bewertung, verbindet die Geschwindigkeit von Gemini Flash mit der Tiefe von Gemini Pro und markiert einen bedeutenden Schritt in Richtung KI-getriebener wissenschaftlicher und industrieller Innovation.
Hintergrund und Kontext
AlphaEvolve baut auf den bisherigen Erfolgen von DeepMind bei der KI-gesteuerten Algorithmenentdeckung auf – insbesondere AlphaTensor, der 2022 erstmals Strassens Algorithmus für die 4×4-Matrizenmultiplikation übertraf. Im Gegensatz zu seinen Vorgängern ist AlphaEvolve als allgemeiner Zweck Agent, der in der Lage ist, ganze Codebasen statt einzelner Funktionen zu entwickeln und so KI-generierte Erfindungen von isolierten Aufgaben auf umfassende algorithmische Arbeitsabläufe auszuweiten.
Wichtige Durchbrüche von AlphaEvolve
Einen 56 Jahre alten Matrizenmultiplikationsrekord brechen
- 4×4 komplexe Matrixmultiplikation: AlphaEvolve entdeckte einen Algorithmus, der 48 Skalarmultiplikationen erforderte, statt der 49, die Strassens bahnbrechender Ansatz von 1969 erforderte – eine Leistung, nach der Mathematiker über fünf Jahrzehnte lang gesucht hatten.
- Allgemeine Verbesserungen: Insgesamt hat AlphaEvolve 14 verschiedene Matrixmultiplikationseinstellungen verbessert und übertrifft dabei regelmäßig sowohl von Menschenhand erstellte als auch frühere, auf KI basierende Methoden.
Neue Lösungen für offene mathematische Probleme
- Kusszahlproblem (11 Dimensionen): Die KI erhöhte die bekannte Untergrenze von 592 auf 593 Kugeln, die eine zentrale Kugel berühren – eine inkrementelle, aber nachweislich neuartig Fortschritt in einer jahrhundertealten geometrischen Herausforderung.
- Umfrage zu über 50 Problemen: Bei der Anwendung auf Bereiche der Analysis, Kombinatorik, Geometrie und Zahlentheorie reproduzierte AlphaEvolve in 75 Prozent der Fälle den neuesten Stand der Technik und verbessert In etwa 20 Prozent der Fälle wird auf bestehende Lösungen zurückgegriffen.
Technischer Ansatz
Die Kernpipeline von AlphaEvolve besteht aus:
- Angebotserstellung über Gemini Flash für umfassende Erkundungen und Gemini Pro für tiefgehende Überlegungen.
- Automatisierte Auswertung, wo Prüfprogramme sowohl die Richtigkeit als auch die Leistung jedes Kandidaten streng prüfen.
- Evolutionäre Selektion, wobei die Varianten mit der höchsten Punktzahl beibehalten und iteriert werden, bis optimale oder nahezu optimale Lösungen entstehen.
Diese Schleife wandelt große Sprachmodelle in eine „Algorithmenfabrik“ um, indem sie Prinzipien aus der evolutionären Informatik und der automatisierten Theoremprüfung übernimmt und so echte Innovationen vorantreibt, anstatt nur bestehenden Code zu paraphrasieren.
Auswirkungen auf die reale Welt
Infrastruktur- und Effizienzgewinne
- Rechenzentrumsplanung: Erreichte eine 1 Prozent Verbesserung der Orchestrierungseffizienz, was zu erheblichen Energie- und Kosteneinsparungen im Google-Maßstab führt.
- LLM-Trainingskernel: Optimierung eines wichtigen Matrixmultiplikationskernels, der beim Training von Gemini-Modellen verwendet wird, und Bereitstellung eines 23 Prozent Beschleunigung dieses Vorgangs und Verkürzung der gesamten Schulungszeit um 1 Prozent– das entspricht jährlichen Rechenkosteneinsparungen in Millionenhöhe.
Wissenschaftliche Erforschung
Über den internen Einsatz hinaus plant DeepMind die Einführung eines Early Access-Programm für ausgewählte akademische Forscher, die eine umfassendere Erforschung der Materialwissenschaften, der Arzneimittelforschung und anderer Bereiche ermöglichen, die komplexe algorithmische Lösungen erfordern.
Zukunftsaussichten und Herausforderungen
Obwohl die bisherigen domänenspezifischen Erfolge beeindruckend sind, weisen Experten darauf hin, dass die Skalierung des evolutionären Ansatzes von AlphaEvolve auf immer komplexere, mehrstufige wissenschaftliche Probleme weitere Innovationen im Verifiziererdesign und der Modellzuverlässigkeit erfordert. Dennoch ist die nachgewiesene Synergie zwischen KI und Mensch bei der Problemformulierung, Validierung und iterativen Verfeinerung eröffnet einen vielversprechenden Weg hin zu KI-gestützten Entdeckungen in einem Ausmaß, das von Menschen allein nicht erreicht werden kann.
Fazit
AlphaEvolve stellt einen Meilenstein in der KI-gesteuerten Algorithmenentwicklung dar und verbindet die kreative Bandbreite großer Sprachmodelle mit disziplinierter evolutionärer Suche und formaler Verifikation. Indem AlphaEvolve sowohl theoretische Fortschritte – wie verbesserte mathematische Grenzen – als auch spürbare Effizienzsteigerungen in Googles eigenen Abläufen liefert, unterstreicht es das transformative Potenzial von automatisierte wissenschaftliche EntdeckungWährend DeepMind sich darauf vorbereitet, seine Türen für externe Forscher zu öffnen, kann sich die breitere Community auf beispiellose Kooperationen an der Grenze zwischen KI und Wissenschaft freuen.
Erste Schritte
CometAPI bietet eine einheitliche REST-Schnittstelle, die Hunderte von KI-Modellen – einschließlich der Gemini AI-Familie – unter einem konsistenten Endpunkt aggregiert, mit integrierter API-Schlüsselverwaltung, Nutzungskontingenten und Abrechnungs-Dashboards. Anstatt mit mehreren Anbieter-URLs und Anmeldeinformationen zu jonglieren.
Entwickler können zugreifen Gemini 2.5 Flash Pre API usw. durch CometAPI. Erkunden Sie zunächst die Funktionen des Modells im Playground und konsultieren Sie die API-Leitfaden für detaillierte Anweisungen.