Google DeepMind geïntroduceerd AlphaEvolve Op 14 mei verschijnt een door Gemini aangestuurde AI-agent die autonoom algoritmen ontdekt en optimaliseert, zowel in theoretische als praktische domeinen. Belangrijke prestaties zijn onder andere het verbreken van een 56 jaar oud record in matrixvermenigvuldiging, het ontwikkelen van oplossingen voor open wiskundige problemen zoals het 11-dimensionale "kissing number" en het leveren van meetbare efficiëntieverbeteringen in Googles eigen infrastructuur – variërend van datacenterplanning tot chipontwerp en training van grote modellen. Het systeem maakt gebruik van een evolutionaire cyclus van voorstellen en evaluaties, waarbij de snelheid van Gemini Flash wordt gecombineerd met de diepgang van Gemini Pro, en markeert een belangrijke stap in de richting van AI-gedreven wetenschappelijke en industriële innovatie.
Achtergrond en context
AlphaEvolve bouwt voort op de eerdere successen van DeepMind in AI-gedreven algoritme-ontdekking, met name AlphaTensor, die in 2022 voor het eerst het algoritme van Strassen voor 4×4 matrixvermenigvuldiging overtrof. In tegenstelling tot zijn voorgangers is AlphaEvolve ontworpen als een voor algemeen gebruik agent die in staat is om hele codebases te laten evolueren in plaats van afzonderlijke functies, waardoor AI-gegenereerde uitvindingen van geïsoleerde taken kunnen worden uitgebreid naar brede algoritmische workflows.
Belangrijke doorbraken van AlphaEvolve
Het verbreken van een 56 jaar oud matrixvermenigvuldigingsrecord
- 4×4 complexe matrixvermenigvuldiging: AlphaEvolve ontdekte een algoritme dat 48 scalaire vermenigvuldigingen vereist in plaats van de 49 die Strassen's baanbrekende aanpak uit 1969 vereiste. Dit is een prestatie waar wiskundigen al meer dan vijf decennia naar streefden.
- Algemene verbeteringenIn totaal heeft AlphaEvolve 14 verschillende matrixvermenigvuldigingsinstellingen verbeterd, waardoor deze systematisch beter presteert dan zowel door mensen ontwikkelde methoden als eerdere door AI ontwikkelde methoden.
Nieuwe oplossingen voor open wiskundige problemen
- Kusgetalprobleem (11 dimensies):De AI verhoogde de bekende ondergrens van 592 naar 593 bollen die een centrale bol raken – een incrementele maar aantoonbaar nieuw vooruitgang boeken in een eeuwenoude geometrische uitdaging.
- Enquête over meer dan 50 problemen:Toen AlphaEvolve werd toegepast op domeinen in analyse, combinatoriek, meetkunde en getaltheorie, repliceerde het de stand van de techniek in 75 procent van de gevallen en verbeterd in ongeveer 20 procent van de gevallen wordt er gebruik gemaakt van bestaande oplossingen.
Technische aanpak
De kernpijplijn van AlphaEvolve bestaat uit:
- Voorstelgeneratie via Gemini Flash voor brede verkenning en Gemini Pro voor diepgaande redeneringen.
- Geautomatiseerde evaluatiewaarbij verificatieprogramma's nauwgezet de correctheid en prestaties van elke kandidaat controleren.
- Evolutionaire selectiewaarbij de varianten met de hoogste score worden behouden en herhaald totdat optimale of bijna optimale oplossingen ontstaan.
Deze lus transformeert grote taalmodellen in een ‘algoritmefabriek’, waarbij principes uit de evolutionaire informatica en geautomatiseerde stellingen worden overgenomen. Dit blijkt echte innovatie te stimuleren in plaats van louter parafraseringen van bestaande code.
Impact in de echte wereld
Infrastructuur- en efficiëntiewinsten
- Datacenterplanning: Een behaald 1 procent Verbetering van de orkestratie-efficiëntie, wat resulteert in aanzienlijke energie- en kostenbesparingen op Google-schaal.
- LLM-trainingskern: Een sleutelmatrixvermenigvuldigingskernel geoptimaliseerd die wordt gebruikt bij het trainen van Gemini-modellen, waardoor een 23 procent versnelling van die operatie en het verkorten van de totale trainingstijd met 1 procent—wat neerkomt op miljoenen dollars aan jaarlijkse besparingen op computergebruik.
Wetenschappelijke verkenning
Naast de interne implementatie is DeepMind van plan een Early Access-programma voor geselecteerde academische onderzoekers, waardoor bredere verkenning mogelijk wordt in materiaalkunde, medicijnontwikkeling en andere gebieden die complexe algoritmische oplossingen vereisen.
Toekomstperspectieven en uitdagingen
Hoewel de domeinspecifieke winst tot nu toe indrukwekkend is, waarschuwen experts dat het opschalen van AlphaEvolve's evolutionaire aanpak naar steeds complexere, meerfase wetenschappelijke problemen verdere innovaties in verifierontwerp en modelbetrouwbaarheid vereist. Desalniettemin is de aangetoonde AI-menselijke synergie Bij het formuleren van problemen, openen validatie en iteratieve verfijning een veelbelovend pad naar door AI versterkte ontdekkingen op een schaal die door mensen alleen niet haalbaar is.
Conclusie
AlphaEvolve vertegenwoordigt een mijlpaal in AI-gestuurd algoritmeontwerp en combineert de creatieve breedte van grote taalmodellen met gedisciplineerd evolutionair zoeken en formele verificatie. Door zowel theoretische vooruitgang te boeken – zoals verbeterde wiskundige grenzen – als tastbare efficiëntieverbeteringen in Googles eigen bedrijfsvoering, onderstreept AlphaEvolve het transformatieve potentieel van geautomatiseerde wetenschappelijke ontdekkingTerwijl DeepMind zich voorbereidt om zijn deuren te openen voor externe onderzoekers, kan de bredere gemeenschap uitkijken naar ongekende samenwerkingen op het grensvlak van AI en wetenschap.
Beginnen
CometAPI biedt een uniforme REST-interface die honderden AI-modellen, waaronder de Gemini AI-familie, samenvoegt onder één consistent eindpunt, met ingebouwd API-sleutelbeheer, gebruiksquota's en factureringsdashboards. Dit voorkomt het gebruik van meerdere leveranciers-URL's en inloggegevens.
Ontwikkelaars hebben toegang tot Gemini 2.5 Flash Pre-API enz. door KomeetAPIOm te beginnen kunt u de mogelijkheden van het model in de Playground verkennen en de API-gids voor gedetailleerde instructies.