谷歌DeepMind發佈了一項顛覆性研究成果——AlphaEvolve，一款結合Gemini大語言模型與進化算法的AI編碼代理。這款系統不僅能自動發現和優化複雜算法，還在谷歌的數據中心、芯片設計和AI訓練中展現了驚人實力，甚至助力Gemini模型自我優化，堪稱AI領域的“左腳踩右腳”式突破。AIbase深入剖析這一技術里程碑，揭示其核心原理與廣泛影響。

image.png

核心技術:Gemini與進化算法的完美融合

AlphaEvolve的核心在於其獨特的自進化框架，融合了谷歌Gemini系列大語言模型的創造力與自動化評估器的嚴謹性。其工作流程如下:

代碼生成:利用Gemini Flash（注重速度）和Gemini Pro(注重深度)生成多樣化的算法代碼，涵蓋從簡單函數到複雜程序的廣泛場景。

自動評估:生成的代碼經過自動化評估器驗證、運行並打分，確保正確性和效率。評估器根據性能指標篩選出優質代碼。

迭代進化:表現優異的代碼被保留、變異或組合，進入下一輪優化，類似生物進化中的“適者生存”。這一過程不斷迭代，最終產出創新性算法。

AIbase認爲，這種結合大語言模型與進化算法的設計，不僅克服了傳統LLM在代碼生成中的“幻覺”問題，還賦予了AlphaEvolve在複雜問題上的超強適應性，使其成爲算法發現的“超級大腦”。

數據中心優化:0.7%算力回收的驚人效益

AlphaEvolve在谷歌數據中心調度系統Borg中的應用堪稱亮點。它提出了一種高效的調度啓發式算法，平均回收了0.7%的全球算力資源，相當於數十萬臺機器的計算能力。這一優化已部署超過一年，爲谷歌節省了數百萬美元的運營成本，同時降低了能耗。AIbase分析指出，這一成果展示了AlphaEvolve在解決大規模系統優化問題上的巨大潛力。

芯片設計革新:TPU效率再升級

在硬件領域，AlphaEvolve爲谷歌下一代Tensor Processing Unit（TPU）提出了Verilog代碼優化建議，通過精簡關鍵算術電路中的冗餘比特，提升了芯片的面積和能效。所有優化均通過嚴格驗證，確保功能正確無誤。AIbase注意到，這一成果不僅加速了TPU的設計週期，還爲AI專用芯片的未來發展提供了新思路。

AI訓練提速:Gemini自我優化32.5%

AlphaEvolve在AI訓練優化上的表現尤爲引人注目。它針對Gemini模型訓練中的矩陣乘法核心操作進行了優化，提速23%，使整體訓練時間縮短1%。更令人震撼的是，AlphaEvolve通過優化GPU底層指令，將FlashAttention內核的運行效率提升了高達32.5%。AIbase認爲，這種“自我優化”能力標誌着AI研發進入了一個遞歸加速的新階段，Gemini通過AlphaEvolve變得更快、更強。

數學突破:破解50年難題與“親吻數”新解

AlphaEvolve不僅在工程應用中大放異彩，還在理論數學領域取得了突破。它發現了4x4複數矩陣乘法的新算法，打破了1969年以來Strassen算法的記錄。此外，在測試的50多個數學難題中，AlphaEvolve在75%的案例中重現了已知最優解，並在20%的案例中提出了更優解。其中，它在親吻數問題（kissing number problem）的11維空間中找到了593個球體的配置，打破了此前592的記錄。AIbase評價，這一成就彰顯了AlphaEvolve在基礎科學研究中的巨大潛力。

未來展望:從材料科學到藥物發現

谷歌DeepMind表示，AlphaEvolve的通用性使其適用於任何具有明確評估指標的問題，未來有望在材料科學、藥物發現和可持續發展等領域發揮作用。目前，谷歌正開發用戶界面，並計劃爲學術研究者推出早期訪問計劃，以進一步擴大其影響力。AIbase預測，隨着AlphaEvolve的開源或更廣泛應用，它可能成爲推動全球科研創新的關鍵引擎。

AI自進化開啓新紀元

作爲AI領域的專業媒體，AIbase認爲，AlphaEvolve的發佈不僅是谷歌DeepMind的又一力作，更是AI技術邁向自進化時代的重要標誌。其在數據中心、芯片設計、AI訓練和數學研究中的多領域突破，展現了AI從輔助工具向核心創新引擎的轉型。然而，AIbase也提醒，AlphaEvolve當前僅能處理可量化評估的問題，未來需進一步拓展其適用範圍。