Wprowadzenie Google DeepMind AlfaEvolve 14 maja, agent AI zasilany przez Gemini, który autonomicznie odkrywa i optymalizuje algorytmy w domenach zarówno teoretycznych, jak i praktycznych. Kluczowe osiągnięcia obejmują pobicie 56-letniego rekordu w mnożeniu macierzy, zaawansowane rozwiązania otwartych problemów matematycznych, takich jak 11-wymiarowa „liczba całowania” i zapewnienie mierzalnych zysków w zakresie wydajności w infrastrukturze Google — od harmonogramowania centrów danych po projektowanie układów scalonych i szkolenie dużych modeli. System wykorzystuje ewolucyjną pętlę propozycji i oceny, łącząc szybkość Gemini Flash z głębią Gemini Pro i oznacza znaczący krok w kierunku napędzanej przez AI naukowej i przemysłowej innowacji.
Tło i kontekst
AlphaEvolve opiera się na wcześniejszych sukcesach DeepMind w odkrywaniu algorytmów opartych na sztucznej inteligencji, w szczególności AlfaTensor, który w 2022 r. jako pierwszy przewyższył algorytm Strassena do mnożenia macierzy 4×4. W przeciwieństwie do swoich poprzedników AlphaEvolve jest zaprojektowany jako ogólny cel agent zdolny do rozwijania całych baz kodów zamiast pojedynczych funkcji, rozszerzający wynalazki generowane przez sztuczną inteligencję z izolowanych zadań na szerokie algorytmiczne przepływy pracy.
Kluczowe przełomy AlphaEvolve
Pobicie 56-letniego rekordu w mnożeniu macierzy
- Mnożenie macierzy zespolonych 4×4:AlphaEvolve odkryła algorytm wymagający 48 mnożeń skalarnych zamiast 49, jak wymagało przełomowe podejście Strassena z 1969 r. — wyczyn, którego matematycy poszukiwali przez ponad pięć dekad.
- Ogólne ulepszenia:Ogółem AlphaEvolve udoskonaliło 14 różnych ustawień mnożenia macierzy, regularnie przewyższając zarówno metody stworzone ręcznie, jak i poprzednie metody opracowane przez sztuczną inteligencję.
Nowe rozwiązania otwartych problemów matematycznych
- Problem liczby pocałunków (11 wymiarów):Sztuczna inteligencja podniosła znaną dolną granicę z 592 do 593 sfer stykających się ze sferą centralną — przyrostowo, ale udowodniona nowość postępu w trwającym od wieków wyzwaniu geometrycznym.
- Ankieta obejmująca ponad 50 problemów:W przypadku zastosowania w dziedzinach analizy, kombinatoryki, geometrii i teorii liczb, AlphaEvolve odtworzył stan wiedzy w 75 procentach przypadków i ulepszony w około 20 procentach przypadków opierają się na istniejących rozwiązaniach.
Podejście techniczne
Podstawowy proces AlphaEvolve składa się z następujących elementów:
- Generowanie propozycji za pośrednictwem Gemini Flash do szerokiej eksploracji i Gemini Pro do dogłębnego rozumowania.
- Zautomatyzowana ocena, w którym programy weryfikacyjne rygorystycznie sprawdzają poprawność i wydajność każdego kandydata.
- Selekcja ewolucyjna, zatrzymując warianty o najwyższym wyniku i powtarzając działanie aż do wyłonienia rozwiązań optymalnych lub prawie optymalnych.
Ta pętla przekształca duże modele językowe w „fabrykę algorytmów”, wykorzystując zasady obliczeń ewolucyjnych i zautomatyzowane dowodzenie twierdzeń, co ma napędzać prawdziwą innowację, a nie tylko parafrazę istniejącego kodu.
Wpływ na świat rzeczywisty
Infrastruktura i wzrost wydajności
- Harmonogramowanie centrum danych:Osiągnięto Wzrost o 1 poprawa efektywności orkiestracji, co przekłada się na znaczące oszczędności energii i kosztów w skali Google.
- Jądro szkolenia LLM:Zoptymalizowano jądro mnożenia macierzy kluczowych używane w szkoleniu modeli Gemini, dostarczając Wzrost o 23 przyspieszenie tej operacji i skrócenie ogólnego czasu szkolenia Wzrost o 1—co oznacza oszczędności rzędu milionów dolarów w wydatkach obliczeniowych rocznie.
Eksploracja naukowa
Oprócz wdrożenia wewnętrznego firma DeepMind planuje uruchomienie Program wczesnego dostępu dla wybranych naukowców akademickich, umożliwiając szerszą eksplorację w nauce o materiałach, odkrywaniu leków i innych dziedzinach wymagających złożonych rozwiązań algorytmicznych.
Przyszłe perspektywy i wyzwania
Choć dotychczasowe osiągnięcia w poszczególnych domenach są imponujące, eksperci przestrzegają, że skalowanie ewolucyjnego podejścia AlphaEvolve do coraz bardziej złożonych, wieloetapowych problemów naukowych będzie wymagało dalszych innowacji w projektowaniu weryfikatorów i niezawodności modeli. Niemniej jednak wykazane Synergia AI-człowiek w formułowaniu problemu, walidacji i iteracyjnym udoskonalaniu otwiera obiecującą ścieżkę do odkryć wspomaganych sztuczną inteligencją na skalę nieosiągalną dla samych ludzi.
Podsumowanie
AlphaEvolve stanowi kamień milowy w projektowaniu algorytmów opartych na sztucznej inteligencji, łącząc twórczą szerokość dużych modeli językowych z dyscyplinowanym wyszukiwaniem ewolucyjnym i formalną weryfikacją. Dostarczając zarówno postęp teoretyczny — taki jak ulepszone granice matematyczne — jak i namacalne zyski w zakresie wydajności w operacjach Google, AlphaEvolve podkreśla transformacyjny potencjał zautomatyzowane odkrycie naukowe. Ponieważ DeepMind przygotowuje się do otwarcia swoich drzwi dla zewnętrznych badaczy, szersza społeczność może spodziewać się bezprecedensowej współpracy na granicy AI i nauki.
Jak zacząć
CometAPI zapewnia ujednolicony interfejs REST, który agreguje setki modeli AI — w tym rodzinę Gemini AI — w ramach spójnego punktu końcowego, z wbudowanym zarządzaniem kluczami API, limitami wykorzystania i panelami rozliczeniowymi. Zamiast żonglować wieloma adresami URL dostawców i poświadczeniami.
Deweloperzy mogą uzyskać dostęp Gemini 2.5 Flash Pre API itp. przez Interfejs API CometNa początek zapoznaj się z możliwościami modelu w Playground i skonsultuj się z Przewodnik po API dla szczegółowych instrukcji.