每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/
Google DeepMind研究员Matej Balog解释称："AlphaEvolve是一款由Gemini驱动的AI编码代理，它能够在计算和数学领域中实现新的发现。这一系统能够发掘出具有显著复杂度的算法，代码行数达到数百行，逻辑结构精妙，远远超越了简单函数的范畴。"
https://docs.google.com/forms/d/e/1FAIpQLSfaLUgKtUOJWdQtyLNAYb3KAkABAlKDmZoIqPbHtwmy3YXlCg/viewform
AlphaEvolve在Google此前FunSearch工作的基础上进行了巨大扩展，其核心能力不再局限于生成单一函数，而是能够进化出完整的代码库。这一进步标志着人工智能在开发用于科学难题与日常计算问题的复杂算法方面迈出了重大一步。
据悉，AlphaEvolve已经在Google内部低调运行超过一年，所取得的成果已然显著。其中一项算法已被应用于Google的大型集群管理系统Borg，作为调度启发式策略使用。该算法能够持续回收全球约0.7%的计算资源，这一效率提升在Google这一规模的企业中极为惊人。
这一算法的创新点在于精准解决了"资源搁浅"问题，即某些机器耗尽了某种资源（如内存），而仍有其他资源（如CPU）处于空闲状态。AlphaEvolve给出的解决方案尤为宝贵，因为其输出的代码结构简单、可读性高，便于工程师解读、调试与部署。
AlphaEvolve的应用范围并未止步于数据中心。在Google的硬件设计中，它还重写了一个关键的算术电路部分，成功移除了一些不必要的比特位，从而优化了Tensor Processing Units（TPUs）的设计。经过TPU设计团队验证，其修改方案在确保正确性的同时已被采纳，并将应用于即将推出的新芯片设计中。
更令人瞩目的是，AlphaEvolve甚至优化了支撑自身运行的底层系统。该系统改进了一项用于训练Gemini模型的矩阵乘法内核，在这一操作上实现了23%的加速，并将整体训练时间缩短了1%。考虑到AI模型训练通常需要巨大的计算资源，这一效率提升转化为显著的能源与资源节约。
DeepMind的另一位研究员Alexander Novikov在接受采访时指出："我们努力识别那些能够加速并产生最大影响的关键组件。我们成功将一个核心内核的运行时间优化了23%，最终为整个Gemini训练卡节省了1%的整体训练时间。"
AlphaEvolve不仅提升了现有系统性能，还攻克了困扰人类多年的数学难题。该系统设计出一种新的基于梯度的优化流程，进而发现了多种全新的矩阵乘法算法。其中一项成果打破了长达56年的数学记录。
Balog提到："让我们感到惊讶的是，AlphaEvolve虽然是一项更通用的技术，但其表现甚至超过了之前专门用于矩阵乘法的AlphaTensor。在4×4矩阵的乘法问题上，AlphaEvolve找到了一个新算法，首次在该场景中超越了Strassen在1969年提出的算法。"
具体来说，AlphaEvolve实现了两个4×4复数矩阵只需进行48次标量乘法的计算方式，而此前的记录为49次。这项发现是自Volker Strassen划时代的研究以来，学界首次在这一问题上取得突破。根据相关研究论文，AlphaEvolve改进了14种矩阵乘法算法的最优状态。
其数学探索远不止于矩阵乘法。在对50多个分析学、几何学、组合数学与数论领域的公开问题进行测试时，AlphaEvolve在约75%的案例中达到了当前最优解，在大约20%的案例中则超越了已有最佳方案。
其中一项突破发生在"接触数问题"中。该几何难题旨在确定在不重叠的条件下，最多有多少个单位球可以同时接触一个中心球体。在11维空间中，AlphaEvolve找到了一个包含593个球体的排列，打破了此前592的世界纪录。
AlphaEvolve之所以与其他AI编程系统不同，源于其进化式方法。该系统结合了Gemini Flash（用于快速处理）与Gemini Pro（用于深度思考），对现有代码提出变更建议。所有修改都通过自动评估系统进行评分，表现最好的算法将指导下一轮进化。
这一过程不只是从训练数据中生成代码。AlphaEvolve能够主动探索解空间，发现全新路径，并通过自动化评估流程不断优化，从而创造出人类前所未见的解决方案。
Novikov解释道："我们的方法中一个关键思想是专注于那些具有明确评估标准的问题。对于任何一个提出的解决方案或代码段，系统都能自动验证其有效性并衡量其质量。这样就能建立起快速且可靠的反馈循环，以推动系统进步。"
这种方法的优势在于其适应性强，只要问题具备清晰的评估标准，无论是数据中心的能源效率还是数学证明的优雅性，系统都能发挥作用。
目前，AlphaEvolve主要应用于Google基础设施与数学研究领域，但其潜力远不止于此。Google DeepMind预计，该系统还将在材料科学、药物研发等需依赖复杂算法的领域中发挥巨大价值。
Novikov表示："最佳的人机协作不仅可以攻克开放的科学难题，也能够在Google规模下实现落地应用。"这突显了系统在研究与实际之间架起的桥梁。
Google DeepMind目前正与People + AI Research团队合作开发用户界面，并计划向部分学术研究人员开放早期访问权限。同时，公司也在探索该系统更广泛的开放路径。
Balog指出，AlphaEvolve的灵活性是其一大优势。他回忆道："至少在我过去从事机器学习研究时，很少能见到一个科研工具在开发初期就能实现如此规模的现实影响。这确实很不寻常。"
随着大型语言模型的不断进化，AlphaEvolve的能力也将同步增长。从Google服务器内部启动，优化支撑其自身运行的硬件与软件，如今已迈向那些数十年甚至数百年来困扰人类智慧的问题，AlphaEvolve展现了AI本身的进化潜力。