Google DeepMind được giới thiệu Tiến hóa Alpha vào ngày 14 tháng 56, một tác nhân AI do Gemini cung cấp có khả năng tự động khám phá và tối ưu hóa các thuật toán trên cả phạm vi lý thuyết và thực tế. Những thành tựu chính bao gồm phá vỡ kỷ lục 11 năm về phép nhân ma trận, đưa ra các giải pháp để mở các bài toán như "số hôn" XNUMX chiều và mang lại hiệu quả có thể đo lường được trong cơ sở hạ tầng của riêng Google—từ lập lịch trung tâm dữ liệu đến thiết kế chip và đào tạo mô hình lớn. Hệ thống này tận dụng vòng lặp tiến hóa của đề xuất và đánh giá, kết hợp tốc độ của Gemini Flash với độ sâu của Gemini Pro và đánh dấu một bước tiến đáng kể hướng tới đổi mới khoa học và công nghiệp do AI thúc đẩy.
Bối cảnh và bối cảnh
AlphaEvolve xây dựng dựa trên những thành công trước đây của DeepMind trong việc khám phá thuật toán do AI điều khiển—đáng chú ý nhất là AlphaTensor, lần đầu tiên vượt qua thuật toán của Strassen cho phép nhân ma trận 2022×4 vào năm 4. Không giống như các phiên bản trước, AlphaEvolve được thiết kế như một mục đích chung tác nhân có khả năng phát triển toàn bộ cơ sở mã thay vì các chức năng đơn lẻ, mở rộng phát minh do AI tạo ra từ các tác vụ riêng lẻ sang quy trình làm việc thuật toán rộng.
Những đột phá chính của AlphaEvolve
Phá vỡ kỷ lục nhân ma trận kéo dài 56 năm
- Phép nhân ma trận phức tạp 4×4:AlphaEvolve đã phát hiện ra một thuật toán yêu cầu 48 phép nhân vô hướng thay vì 49 phép nhân theo yêu cầu của phương pháp mang tính bước ngoặt năm 1969 của Strassen—một kỳ tích mà các nhà toán học đã tìm kiếm trong hơn năm thập kỷ.
- Cải tiến chung:Tổng cộng, AlphaEvolve đã cải thiện 14 thiết lập nhân ma trận riêng biệt, thường xuyên vượt trội hơn cả các phương pháp do con người tạo ra và các phương pháp trước đây dựa trên AI.
Giải pháp mới cho các bài toán mở
- Bài toán số hôn (11 chiều):AI đã nâng giới hạn dưới đã biết từ 592 lên 593 quả cầu chạm vào một quả cầu trung tâm—một sự gia tăng nhưng có thể chứng minh là mới lạ tiến tới một thử thách hình học đã tồn tại hàng thế kỷ.
- Khảo sát hơn 50 vấn đề:Khi áp dụng vào các lĩnh vực phân tích, tổ hợp, hình học và lý thuyết số, AlphaEvolve đã sao chép được công nghệ tiên tiến nhất 75 phần trăm thời gian và cải thiện dựa trên các giải pháp hiện có trong khoảng 20 phần trăm các trường hợp.
Phương pháp tiếp cận kỹ thuật
Chuỗi cốt lõi của AlphaEvolve bao gồm:
- Tạo đề xuất thông qua Gemini Flash để khám phá rộng và Gemini Pro để lý luận sâu sắc.
- Đánh giá tự động, trong đó các chương trình xác minh sẽ kiểm tra chặt chẽ cả tính chính xác và hiệu suất của từng ứng viên.
- Lựa chọn tiến hóa, giữ lại các biến thể có điểm cao nhất và lặp lại cho đến khi tìm ra giải pháp tối ưu hoặc gần tối ưu.
Vòng lặp này chuyển đổi các mô hình ngôn ngữ lớn thành một "nhà máy thuật toán", kết hợp các nguyên tắc từ điện toán tiến hóa và định lý tự động chứng minh là thúc đẩy sự đổi mới thực sự thay vì chỉ diễn giải lại mã hiện có.
Tác động trong thế giới thực
Cơ sở hạ tầng và hiệu quả tăng lên
- Lên lịch trung tâm dữ liệu: Đã đạt được một 1% cải thiện hiệu quả phối hợp, chuyển thành tiết kiệm năng lượng và chi phí đáng kể ở quy mô Google.
- Hạt nhân đào tạo LLM: Tối ưu hóa một hạt nhân nhân ma trận chính được sử dụng trong đào tạo các mô hình Gemini, cung cấp 23% tăng tốc hoạt động đó và cắt giảm thời gian đào tạo tổng thể bằng cách 1%—tương đương với hàng triệu đô la tiết kiệm được chi phí tính toán hàng năm.
Khám phá khoa học
Ngoài việc triển khai nội bộ, DeepMind có kế hoạch ra mắt một Chương trình truy cập sớm dành cho các nhà nghiên cứu học thuật được lựa chọn, cho phép khám phá sâu hơn về khoa học vật liệu, phát hiện thuốc và các lĩnh vực khác đòi hỏi các giải pháp thuật toán phức tạp.
Triển vọng và thách thức trong tương lai
Mặc dù những thành quả cụ thể cho đến nay là rất ấn tượng, các chuyên gia cảnh báo rằng việc mở rộng phương pháp tiếp cận tiến hóa của AlphaEvolve đối với các vấn đề khoa học phức tạp hơn, nhiều giai đoạn sẽ đòi hỏi những cải tiến hơn nữa trong thiết kế trình xác minh và độ tin cậy của mô hình. Tuy nhiên, Sự kết hợp giữa AI và con người trong việc định hình vấn đề, xác thực và tinh chỉnh lặp đi lặp lại mở ra một con đường đầy hứa hẹn hướng tới khám phá được tăng cường bằng AI ở quy mô mà con người không thể đạt được một mình.
Kết luận
AlphaEvolve đại diện cho một cột mốc trong thiết kế thuật toán do AI điều khiển, kết hợp sự sáng tạo của các mô hình ngôn ngữ lớn với tìm kiếm tiến hóa có kỷ luật và xác minh chính thức. Bằng cách cung cấp cả những tiến bộ về mặt lý thuyết—chẳng hạn như cải thiện ranh giới toán học—và tăng hiệu quả hữu hình trong hoạt động của chính Google, AlphaEvolve nhấn mạnh tiềm năng chuyển đổi của khám phá khoa học tự động. Khi DeepMind chuẩn bị mở cửa cho các nhà nghiên cứu bên ngoài, cộng đồng rộng lớn hơn có thể mong đợi sự hợp tác chưa từng có ở biên giới của AI và khoa học.
Bắt đầu
CometAPI cung cấp giao diện REST thống nhất tổng hợp hàng trăm mô hình AI—bao gồm cả nhóm AI Gemini—dưới một điểm cuối nhất quán, với quản lý khóa API tích hợp, hạn ngạch sử dụng và bảng thông tin thanh toán. Thay vì phải xử lý nhiều URL và thông tin xác thực của nhà cung cấp.
Các nhà phát triển có thể truy cập Gemini 2.5 Flash Pre API v.v. thông qua Sao chổiAPI. Để bắt đầu, hãy khám phá các khả năng của mô hình trong Sân chơi và tham khảo Hướng dẫn API để có hướng dẫn chi tiết.