导读
在人工智能技术持续突破的浪潮中，谷歌DeepMind于5月14日深夜发布了一款颠覆性编码智能体AlphaEvolve。这款基于Gemini大模型的AI系统，不仅能够自主发明复杂算法、优化芯片设计，更破解了困扰数学家300余年的“接吻数问题”，标志着AI从“工具执行者”向“科学发现者”的跨越式进化。AlphaEvolve的诞生，不仅重新定义了算法发现的效率边界，更将AI的触角延伸至数学、硬件工程与工业优化的核心领域。
文字编辑｜宋雨涵
1
AlphaEvolve智能体
AI智能体的范式革命
据官方介绍，AlphaEvolve提升了谷歌数据中心、芯片设计以及AI训练流程的效率，还帮助设计了更快的矩阵乘法算法，并找到了一些数学开放问题的新解，展现出在多个领域广泛应用的巨大潜力。
具体而言，AlphaEvolve利用Gemini系列中的多个最新大模型，其工作流程包括从语言模型生成算法代码到通过自动化评估器对这些代码进行验证和评分，最后在算法数据库中实现进化机制，不断优化生成的方案。
谷歌DeepMind在其博客中透露，过去一年间，他们成功将AlphaEvolve所发现的算法部署到了谷歌的计算生态体系内，该体系涵盖了数据中心、硬件以及软件等多个层面。
其中，有一项算法虽看似简单，却成效斐然。这是一则启发式算法，现已被应用于谷歌大规模的集群管理系统Borg中，有力地协助谷歌实现了对数据中心的高效管理。此解决方案投入生产使用已逾一年，该启发式调度算法能够平均持续地恢复谷歌全球计算资源0.7%的效能。值得一提的是，其提供的代码具有可解释性、可调试性、可预测性，并且部署起来十分便捷。
此外，AlphaEvolve还提出了一种Verilog重写方案。该方案针对矩阵乘法中一个关键且经过高度优化的算术电路，移除了其中不必要的位。不过，此提案必须通过严谨的验证方法，来确保修改后的电路在功能上依然保持正确性。目前，这一方案已成功集成到谷歌即将推出的张量处理单元（TPU）当中。
2
加速AI训练和推理
Gemini训练时间缩短1%
在AI的训练与推理环节，AlphaEvolve正发挥着关键作用，有力推动着AI性能以及研究速度的显著提升。
AlphaEvolve通过创新的方法，将大型矩阵乘法操作拆解成更易处理的子问题。这一举措成效显著，使得在Gemini架构的关键内核上，运算速度提高了23%，同时Gemini的训练时间也缩短了1%。不仅如此，它还大幅缩减了内核优化的工程耗时，原本需要专家投入数周精力才能完成的工作，如今借助自动化实验，仅需数天便可达成。
此外，AlphaEvolve还具备优化底层GPU指令的能力。通常，这一领域已经由编译器进行了高度优化，人类工程师一般不会直接对其进行修改。然而，AlphaEvolve却能在Transformer-based AI模型的FlashAttention内核实现中，实现高达32.5%的加速效果。这一成果能够帮助开发者迅速定位性能瓶颈，并将其无缝融入代码库，为AI开发带来更多便利。
突破性成果：
从数学到硬件的全领域颠覆务
数学难题的AI解法
接吻数问题：在11维空间中，AlphaEvolve发现由593个球体组成的非重叠配置，刷新了该问题的下限纪录，解决了自牛顿时代以来的几何学挑战。
矩阵乘法优化：提出4×4复值矩阵乘法新算法，仅需48次标量乘法，超越1969年Strassen算法的49次纪录，打破56年“最优解”神话。
开放问题表现：在50余个数学分析、组合学问题中，75%复现已知最优解，20%提出更优方案，例如改进Erdős最小重叠问题的上界。
工业级应用落地
数据中心优化：部署启发式调度算法至谷歌Borg系统，实现全球计算资源0.7%的持续回收，年节省成本达数亿美元。
芯片设计革新：优化TPU关键电路逻辑，删除冗余位并提升能效，相关方案已集成至下一代谷歌TPU。
未来展望：
从代码生成到通用科学智能体
DeepMind计划开放AlphaEvolve的早期学术访问，并与“人类+AI”团队合作开发友好界面，推动其在药物研发、材料科学等领域的应用。其通用性潜力预示，任何可算法化描述的问题——从可持续能源优化到蛋白质结构预测——均可能成为下一战场。
正如谷歌研究员Alexander Novikov所言：“AlphaEvolve的跨界能力令人震惊，它正在重新定义AI与人类智慧的协作边界。”这场由AI主导的科学革命，或将开启一个算法自主进化、算力极致释放的新纪元。
