Google DeepMind introdusert AlphaEvolve 14. mai ble det lansert en Gemini-drevet AI-agent som autonomt oppdager og optimaliserer algoritmer på tvers av både teoretiske og praktiske domener. Viktige prestasjoner inkluderer å slå en 56 år gammel rekord i matrisemultiplikasjon, utvikle løsninger på åpne matematiske problemer som det 11-dimensjonale «kyssetallet», og levere målbare effektivitetsgevinster i Googles egen infrastruktur – alt fra datasenterplanlegging til chipdesign og trening av store modeller. Systemet utnytter en evolusjonær sløyfe av forslag og evaluering, og blander hastigheten til Gemini Flash med dybden til Gemini Pro, og markerer et betydelig skritt mot AI-drevet vitenskapelig og industriell innovasjon.
Bakgrunn og kontekst
AlphaEvolve bygger på DeepMinds tidligere suksesser innen AI-drevet algoritmeoppdagelse – spesielt AlphaTensor, som i 2022 først overgikk Strassens algoritme for 4×4-matrisemultiplikasjon. I motsetning til forgjengerne er AlphaEvolve designet som en generell agent som er i stand til å utvikle hele kodebaser i stedet for enkeltfunksjoner, og utvide AI-generert oppfinnelse fra isolerte oppgaver til brede algoritmiske arbeidsflyter.
Viktige gjennombrudd i AlphaEvolve
Slår en 56 år gammel rekord i matrisemultiplikasjon
- 4×4 kompleks matrisemultiplikasjonAlphaEvolve oppdaget en algoritme som krever 48 skalare multiplikasjoner i stedet for de 49 som Strassens banebrytende tilnærming fra 1969 krevde – en bragd som matematikere hadde forsøkt i over fem tiår.
- Generelle forbedringerTotalt forbedret AlphaEvolve 14 distinkte matrisemultiplikasjonsinnstillinger, og overgikk rutinemessig både menneskeskapte og tidligere AI-avledede metoder.
Nye løsninger på åpne matematiske problemer
- **Kyss-tall-problem (11 dimensjoner)**AI-en hevet den kjente nedre grensen fra 592 til 593 kuler som berører en sentral kule – en inkrementell, men beviselig ny fremgang i en århundregammel geometrisk utfordring.
- Undersøkelse på tvers av 50+ problemerNår AlphaEvolve ble brukt på domener innen analyse, kombinatorikk, geometri og tallteori, gjenskapte den nyeste teknologien 75 prosent av tiden, og forbedret på eksisterende løsninger i omtrent 20 prosent av tilfellene.
Teknisk tilnærming
AlphaEvolves kjernepipeline består av:
- Forslagsgenerering via Gemini Flash for bred utforskning og Gemini Pro for dyptgående resonnement.
- Automatisert evaluering, der verifikasjonsprogrammer grundig sjekker både korrektheten og ytelsen til hver kandidat.
- Evolusjonært utvalg, beholde variantene med høyest poengsum og iterere til optimale eller nesten optimale løsninger dukker opp.
Denne løkken forvandler store språkmodeller til en «algoritmefabrikk», som koopterer prinsipper fra evolusjonær databehandling og automatiserte teoremer, noe som viser seg å drive ekte innovasjon snarere enn bare parafrasering av eksisterende kode.
Virkelighet i verden
Infrastruktur og effektivitetsgevinster
- Planlegging av datasenter: Oppnådde en 1 prosent forbedring i orkestreringseffektivitet, noe som fører til betydelige energi- og kostnadsbesparelser på Google-nivå.
- LLM-opplæringskjerneOptimalisert en nøkkelmatrisemultiplikasjonskjerne som brukes i trening av Gemini-modeller, og leverer en 23 prosent øke hastigheten på den operasjonen og redusere den totale treningstiden med 1 prosent– tilsvarende millioner av dollar i besparelser på databehandling årlig.
Vitenskapelig utforskning
Utover intern distribusjon planlegger DeepMind å lansere en Tidlig tilgangsprogram for utvalgte akademiske forskere, noe som muliggjør bredere utforskning innen materialvitenskap, legemiddelutvikling og andre felt som krever komplekse algoritmiske løsninger.
Fremtidsutsikter og utfordringer
Selv om de domenespesifikke fremskrittene så langt er imponerende, advarer eksperter om at skalering av AlphaEvolves evolusjonære tilnærming til stadig mer komplekse, flertrinns vitenskapelige problemer vil kreve ytterligere innovasjoner innen verifikatordesign og modellpålitelighet. Likevel har de demonstrerte AI-menneskelig synergi Innen problemformulering, validering og iterativ forbedring åpner en lovende vei mot AI-utvidet oppdagelse i en skala som ikke kan oppnås av mennesker alene.
Konklusjon
AlphaEvolve representerer en milepæl innen AI-drevet algoritmedesign, og kombinerer den kreative bredden i store språkmodeller med disiplinert evolusjonært søk og formell verifisering. Ved å levere både teoretiske fremskritt – som forbedrede matematiske grenser – og konkrete effektivitetsgevinster i Googles egen drift, understreker AlphaEvolve det transformative potensialet til automatisert vitenskapelig oppdagelseMens DeepMind forbereder seg på å åpne dørene for eksterne forskere, kan det bredere samfunnet se frem til enestående samarbeid i frontlinjen mellom kunstig intelligens og vitenskap.
Komme i gang
CometAPI tilbyr et enhetlig REST-grensesnitt som samler hundrevis av AI-modeller – inkludert Gemini AI-familien – under et konsistent endepunkt, med innebygd API-nøkkeladministrasjon, brukskvoter og faktureringsdashboards. I stedet for å sjonglere flere leverandør-URL-er og legitimasjonsinformasjon.
Utviklere har tilgang Gemini 2.5 Flash Pre API osv. gjennom CometAPI. For å begynne, utforske modellens muligheter i lekeplassen og konsulter API-veiledning for detaljerte instruksjoner.