5月中旬，谷歌在科學(xué)和計算領(lǐng)域投下了重磅炸彈：AlphaEvolve。

利用Gemini模型，它發(fā)現(xiàn)全新的算法。

比如說，僅用30天，AlphaEvolve與人類聯(lián)手三度攻克一項封塵18年的數(shù)學(xué)難題！對此，知名華人數(shù)學(xué)家陶哲軒略感驚訝。

不僅在計算機科學(xué)和數(shù)學(xué)取得重大進展，AI甚至可能影響到更廣泛的科學(xué)領(lǐng)域。

它不僅僅是生成文本工具，更不是簡單的模板生成器。它喻示了AI的無限可能，就像AlphaGo的「神之一手」，展現(xiàn)了人類從未做過的突破。

這甚至可能是邁向AI自我改進的一步。

在深度對話中，華人投資家Sarah Guo（郭睿）采訪了谷歌DeepMind科學(xué)與戰(zhàn)略副總裁Pushmeet Kohli（下圖左），以及研究科學(xué)家Matej Balog（下圖右）。

他們分享了AlphaEvolve的背后故事。  除了數(shù)學(xué)和計算機科學(xué)，他們也進一步暢想：AlphaEvolve背后的理念，是否還能顛覆更多基礎(chǔ)科學(xué)領(lǐng)域？

AlphaEvolve證明靠智能取代「運氣」，也能顛覆科學(xué)。  AlphaEvolve，或許正開啟一場不靠「靈感」的科學(xué)革命。

AlphaEvolve：陶哲軒震驚的進步

DeepMind的使命是負(fù)責(zé)任地構(gòu)建人工智能，造福人類。這些年來，DeepMind一直在科學(xué)領(lǐng)域?qū)ふ倚滤惴ā?/span>

AlphaEvolve有什么不一樣？

Pushmeet Kohli認(rèn)為區(qū)別可以從歷史上來看。

一切從AlphaGo說起。

AlphaGo不僅能夠高效地探索圍棋的所有可能局面，而且能夠提出當(dāng)時最佳走法。在幾十年的圍棋歷史中，人類都沒有發(fā)現(xiàn)這種下法。

某種意義上，AlphaGo是AI智能體。在龐大的搜索空間中，它可以高效探索并提出最優(yōu)解。這種能力讓人們感到驚訝，因為圍棋非常復(fù)雜，科學(xué)家們認(rèn)為AI能夠在這一領(lǐng)域取得突破還需要很長時間。

從AlphaGo的工作中，DeepMind得到啟發(fā)：

如果AI能夠如此高效地搜索圍棋的所有可能局面，那么是否可以利用類似的思想去搜索算法空間呢？

這就是開始研發(fā)AlphaTensor工作的基礎(chǔ)。

幾十年來，人們認(rèn)為矩陣乘法的復(fù)雜度是立方級別的。也就是說，如果你有兩個矩陣，矩陣的維度是n，那么計算的時間復(fù)雜度是n3。

50多年前，德國數(shù)學(xué)家Strassen提出了一種非常反直覺的方法，證明了：實際上，矩陣乘法的復(fù)雜度比原來預(yù)想的要低。

通過搜索，AlphaTensor發(fā)現(xiàn)了比之前所知的算法更高效的解決方案。它不僅在效率上超越了傳統(tǒng)算法，而且這個結(jié)果還證明了AI可以實現(xiàn)超人級別的突破。

但問題是，AlphaTensor專門針對矩陣乘法設(shè)計。那么，能否將這種方法推廣到更一般的問題中呢？這就引出了對AlphaEvolve的進一步探索。

AlphaEvolve不僅能夠處理特定的任務(wù)，它更具普適性，可以處理更廣泛的問題。

AlphaEvolve利用了與AlphaTensor相似的進化算法。但它不再局限于矩陣乘法的特定問題，而是能夠在更廣泛的編程空間中搜索，提出解決方案。

不斷進化，自我改進

聽起來AlphaEvolve類似于進化選擇對吧？它是如何進行每一代的改進的？

在每一代過程中，AlphaEvolve不斷改進，每一代都基于上一代的強解進行優(yōu)化。

通過基因池和評估函數(shù)，確保每一代的改進都能夠提高整體的解的質(zhì)量，同時保持了多樣性，以便在龐大的搜索空間中發(fā)現(xiàn)最佳解決方案。

那這種進化過程的規(guī)模如何呢？如何控制模型的迭代次數(shù)？

關(guān)于這個問題，AlphaEvolve有一個很棒的特性，就是它能夠適應(yīng)問題的難度。

如果AlphaEvolve被要求解決一個相對簡單的問題，它幾乎能立即得到答案；但如果是一個非常復(fù)雜的問題，那么解決方案可能需要更長時間，更多的代次來不斷改進。

但令人欣慰的是，AlphaEvolve可以持續(xù)改進，即使是在面對難度極大的問題時，它仍能不斷提高。

這非常有價值，因為在持續(xù)優(yōu)化時，許多傳統(tǒng)的系統(tǒng)往往會在早期就遇到瓶頸，無法繼續(xù)改進。

至于預(yù)測需要多少代才能達到最優(yōu)解，這個問題比較復(fù)雜。問題的難度，無法預(yù)料，尤其是在科學(xué)領(lǐng)域，一些看似簡單的問題實際上可能非常難，反之亦然。但幸運的是，只要持續(xù)運行AlphaEvolve，它會隨著時間的推移不斷得到更好的結(jié)果。

對編碼智能體的意義

與一般的編碼智能體相比，AlphaEvolve有何不同之處？

 與一般的編碼智能體相比，AlphaEvolve的優(yōu)勢在于它能夠處理更復(fù)雜的任務(wù)，并且具有更高的效率和創(chuàng)造性。

在面對復(fù)雜或模糊的任務(wù)時，大多數(shù)通用編碼智能體，容易陷入困境或產(chǎn)生錯誤，因為它們通常依賴于直接的任務(wù)說明，而這些說明往往不夠精確，或者它們沒有很強的判斷能力。

而AlphaEvolve則依賴嚴(yán)格的評估函數(shù)。它能夠區(qū)分有效的解決方案與無效的解決方案。

它的「創(chuàng)造性」不僅僅體現(xiàn)在提出新算法上，還表現(xiàn)在對解決方案進行有效評估和優(yōu)化的能力上。

每當(dāng)提出一個新解決方案時，評估函數(shù)會幫助判斷它是否有效。

例如，在優(yōu)化數(shù)據(jù)中心調(diào)度時，評估函數(shù)可能是一個模擬器，它能夠根據(jù)給定的調(diào)度算法來判斷該算法在現(xiàn)實中的表現(xiàn)如何。

這個評估過程幫助Alpha Evolve更準(zhǔn)確地搜索解決方案空間。

那對于開發(fā)者來說，設(shè)計好的評估函數(shù)確實非常具有挑戰(zhàn)性。你需要明確什么樣的結(jié)果才是好的解決方案。在某些情況下，開發(fā)者可以使用現(xiàn)有的模擬器來進行評估，而在其他更復(fù)雜的情況下，可能需要開發(fā)定制化的評估工具。

評估函數(shù)不僅要能判斷方案的好壞，還要能夠在不同的任務(wù)中靈活應(yīng)用。比如，在數(shù)據(jù)中心調(diào)度優(yōu)化問題中，評估函數(shù)的復(fù)雜性可能遠(yuǎn)高于一些較簡單的任務(wù)。

這也是為什么強調(diào)評估函數(shù)在AI系統(tǒng)中的重要性，只有擁有了精確的評估函數(shù)，AI才能有效地進行創(chuàng)新。

左圖：AlphaEvolve為谷歌的工作負(fù)載和容量量身定制的啟發(fā)式函數(shù)；右圖：對該啟發(fā)式評分函數(shù)的可視化展示

科學(xué)家轉(zhuǎn)變角色

Matej Balog和Pushmeet Kohli都認(rèn)為：未來，科學(xué)家的角色會發(fā)生一些變化。

可以想象，在未來，科學(xué)家們將更多地專注于如何定義問題、設(shè)計評估函數(shù)，以及如何解釋AI生成的結(jié)果。

AI將成為科學(xué)家們的強大工具，幫助他們更快解決復(fù)雜的問題。

AI不僅僅給出答案，還提供算法，科學(xué)家們可以通過研究算法來理解背后的原理，這對于深入理解問題和解決方案非常重要。

這正是AlphaEvolve稱霸多個領(lǐng)域的原因。

數(shù)學(xué)家和科學(xué)家不僅能看到最終的解決方案，還能理解到達這個解的路徑，這種新的視角對推動科學(xué)發(fā)展至關(guān)重要。

此外，AlphaEvolve不僅僅推動技術(shù)創(chuàng)新，還有助于科學(xué)家發(fā)掘新的思維方式，挑戰(zhàn)現(xiàn)有的認(rèn)知框架。

AlphaEvolve的問世，標(biāo)志著科學(xué)研究進入了一個嶄新的時代。它不僅在算法領(lǐng)域創(chuàng)造了奇跡，更為未來的科學(xué)革命鋪設(shè)了道路。

在AlphaEvolve的推動下，或許我們即將見證：科學(xué)，不再依賴「靈感」，而是靠「智能」。