Google DeepMind 重磅推出了耗时一年半研究的用于设计高级算法的编程智能体AI Agent—— 「AlphaEvolve」，一个由 Gemini 驱动的通用科学智能体,可自动评估和优化算法设计。

不止能解决 300 年数学难题，还用于发现新算法、改进芯片设计。

据介绍，通过将大语言模型（LLM）的创造力与自动评估器相结合，AlphaEvolve 设计了一种更快、更通用的矩阵乘法算法（用于机器学习的基础运算），并为开放式数学问题找到了新的解决方案。

这标志着人类在利用人工智能（AI）技术解决数学和科学领域的重大问题方面迈出了重要一步。

研究团队表示，他们将 AlphaEvolve 应用于研究数学中的分析、组合学、几何等一系列开放性问题。他们发现，对于 75% 的问题，AlphaEvolve 复现了已知的最优解。在 20% 的情况下，它找到了超越任何已知解决方案的新最优解。但在另外 5% 的情况下，AlphaEvolve 找到的解决方案要比已知的最优方案更差。

此外，AlphaEvolve 还可以提高谷歌数据中心、芯片设计和 Gemini 训练流程的效率。

Google DeepMind 高级研究科学家 Alexander Novikov 表示：“你可以用一个系统做这么多不同的事情，这非常令人惊讶。”

论文链接：

https://arstechnica.com/ai/2025/05/google-deepmind-creates-super-advanced-ai-that-can-invent-new-algorithms/

设计更好的算法

AlphaEvolve 是一个编码 agent，它不仅能够发现单一函数，还能实现整个代码库的进化，开发出更复杂的算法。

据介绍，AlphaEvolve 利用 Gemini Flash（速度最快、效率最高，最大限度地拓宽了探索思路的广度）和 Gemini Pro（功能最强大，提供了具有洞察力的关键深度建议），提出计算机程序，以代码形式实现算法解决方案。

图｜提示（prompt）采样器如何首先为语言模型组装提示，然后生成新的程序。这些程序由评估员进行评估，并存储在程序数据库中。该数据库采用进化算法，决定哪些程序将用于未来的提示。

AlphaEvolve 使用自动评估指标对提出的方案进行验证、运行和评分。这些指标为每个解决方案的准确性和质量提供了客观、可量化的评估。这使得 AlphaEvolve 在数学和计算机科学等可以清晰、系统地衡量进展的广泛领域特别有用。

优化计算生态系统

谷歌表示，在过去的一年中，他们在计算生态系统（包括数据中心、硬件和软件）中部署了 AlphaEvolve 发现的算法，每一项改进的影响都会在他们的人工智能和计算基础设施中倍增，从而帮助构建一个更强大、更可持续的数字生态系统。

图｜从数据中心调度和硬件设计到人工智能模型训练，AlphaEvolve 帮助谷歌提供更高效的数字生态系统。

改进数据中心调度

谷歌表示，AlphaEvolve 发现了一种简单但效果显著的启发式方法，可以帮助博格公司更高效地调度谷歌的数据中心。这一解决方案已投入使用一年多，平均可持续回收谷歌全球 0.7% 的计算资源。这种持续的效率提升意味着，在任何特定时刻，同样的计算资源可以完成更多任务。AlphaEvolve 的解决方案不仅带来了强大的性能，还提供了人类可读代码的显著操作优势：可解释性、可调试性、可预测性和易部署性。

协助硬件设计

AlphaEvolve 提出了 Verilog 重写方案，删除了矩阵乘法关键、高度优化算术电路中不必要的位。最重要的是，该建议必须通过鲁棒的验证方法，以确认修改后的电路保持功能正确性。这项建议被集成到即将推出的谷歌定制 AI 加速器张量处理单元（TPU）中。通过用芯片设计人员的标准语言提出修改建议，AlphaEvolve 促进了 AI 和硬件工程师之间的合作，从而加速了未来专用芯片的设计

加强 AI 训练和推理

AlphaEvolve 加快了 AI 的性能和研究速度。通过找到将大型矩阵乘法运算划分为更易于管理的子问题的更智能方法，AlphaEvolve 将 Gemini 架构中的这一重要内核加速了 23%，从而将 Gemini 的训练时间缩短了 1%。由于开发生成式 AI 模型需要大量计算资源，因此每提高一个效率，就能节省大量资金。除了性能提升，AlphaEvolve 还大大减少了内核优化所需的工程时间，从专家数周的努力缩短到自动实验的数天，使研究人员能够更快地进行创新。

AlphaEvolve 还能优化低级 GPU 指令。这一极其复杂的领域通常已经由编译器进行了大量优化，因此人类工程师通常不会直接对其进行修改。AlphaEvolve 对基于 Transformer 的 AI 模型中的 FlashAttention 内核实现了高达 32.5% 的提速。这种优化可以帮助专家找出性能瓶颈，并轻松地将改进措施纳入代码库，从而提高他们的工作效率，并在未来节省计算和能源。

推动数学和算法发现的前沿发展

AlphaEvolve 还能够提出解决复杂数学问题的新方法。AlphaEvolve 为计算机程序提供了一个最小的编码骨架，它设计了基于梯度的优化程序的许多组件，发现了矩阵乘法的多种新算法，这是计算机科学中的一个基本问题。

视频｜AlphaEvolve 为发现更快的矩阵乘法算法而提出的修改列表。AlphaEvolve 对多个组件提出了大量修改建议，包括优化器和权重初始化、损失函数和超参数扫描。这些变化非常不简单，在进化过程中需要 15 次突变。

AlphaEvolve 发现了一种使用 48 次标量乘法进行 4x4 复值矩阵乘法的算法，改进了 Strassen 1969 年的算法。

为了研究 AlphaEvolve 的广度，谷歌团队将该系统应用于数学分析、几何、组合学和数论中的 50 多个开放问题。该系统的灵活性使他们能够在数小时内完成大部分实验。在大约 75% 的情况下，AlphaEvolve 重新发现了最先进的解决方案。

在 20% 的情况下，AlphaEvolve 改进了之前已知的最佳解决方案，在相应的未决问题上取得了进展。例如，它推进了接吻数问题。300 多年来，这个几何难题一直吸引着数学家，它涉及到接触一个共同单位球的非重叠球的最大数量。AlphaEvolve 发现了一个由 593 个外球组成的构型，并在 11 维中建立了一个新的下限。

解决更广泛的问题

AlphaEvolve 展示了从发现特定领域的算法到开发更复杂的算法，以应对广泛的现实世界挑战的过程。未来，随着 LLM 能力的提高，尤其是当它们在编码方面变得更加出色时，AlphaEvolve 将不断改进。

谷歌团队表示，虽然 AlphaEvolve 目前正被应用于数学和计算机领域，但其通用性意味着它可以应用于任何问题，其解决方案可以被描述为算法并自动验证。

或许在未来，AlphaEvolve 可以在材料科学、药物发现、可持续发展以及更广泛的技术和商业应用等更多领域带来变革。