当地时间5月14日消息，谷歌DeepMind推出用于设计高级算法的编程AI Agent—AlphaEvolve。这款智能体具备独立创造全新计算机算法的能力，并能直接将这些算法应用于谷歌庞大的计算基础设施中。

利用大型语言模型设计更好的算法

AlphaEvolve融合了谷歌Gemini大型语言模型与进化算法策略，实现了算法的自动测试、优化与迭代升级。简单来说，它能够自动改进和进化，通过不断的调整和优化，变得更加高效。

目前，该系统已在谷歌数据中心、芯片设计及人工智能训练系统等领域完成部署，显著提升了运行效率，并成功破解了困扰学术界数十年的数学难题。

该系统在谷歌先前FunSearch项目的研究基础上，其创新之处在于对整个代码库进行了优化，而非局限于单一函数的改进。这标志着人工智能在应对科学挑战和解决日常计算问题时，具备了开发复杂算法的能力。

优化数据中心运营

优化计算生态系统

事实上，AlphaEvolve已在谷歌内部运行了超过一年时间，其间成果斐然。AlphaEvolve开发的一种算法现已被集成到谷歌的Borg集群管理系统之中，借助这一调度启发式算法，使得谷歌全球算力利用率得以提升0.7%。在谷歌庞大规模的计算环境中，这一效率的提升具有极其重要的意义。

AlphaEvolve甚至对自身运行所依赖的系统进行了优化。通过改进用于训练Gemini模型的矩阵乘法内核，该操作的速度提升了23%，整体训练时间缩短了1%。对于在大规模计算集群上运行的人工智能系统而言，这一效率的提升意味着可观的能源与资源节约。

此外，AlphaEvolve的应用并未止步于数据中心领域。它还对谷歌的硬件设计进行了优化，成功消除了张量处理单元（TPU）中关键算术电路的冗余位。TPU设计团队已验证这一改进的有效性，其成果将应用于下一代芯片设计之中。

谷歌DeepMind研究员亚历山大·诺维科夫表示：“我们成功将关键内核的实际运行时间缩短了23%，从而在整个Gemini训练流程中实现了1%的端到端效率提升。”

谷歌的“算法工厂” 如何运作

AlphaEvolve设计的算法，主要专门针对“搁浅资源”问题设计——即那些因内存等某一资源耗尽而无法充分利用剩余CPU等资源的机器。AlphaEvolve的解决方案价值显著，其生成的代码简洁明了，工程师可以轻松理解、调试并部署。

AlphaEvolve系统融合了Gemini Flash和Gemini Pro这两款Gemini语言模型，它们协同工作，针对现有代码提出修改建议。随后，自动化评估器会对这些修改进行测试并打分，最成功的算法将指引下一轮的进化过程。

谷歌DeepMind研究员马捷·巴洛格表示：“我们方法中的一个关键理念是，专注于具有明确评估器的问题。对于任何提出的解决方案或代码片段，我们都能自动验证其有效性并衡量其质量，这使我们能够建立起快速且可靠的反馈循环来提升系统性能。”

攻克人类未解难题

AlphaEvolve数学计算能力显著提升

AlphaEvolve不仅解决了长期困扰专家的数学难题，还推动了现有技术的进步。该系统设计了一种基于梯度的优化程序，发现了多种新的矩阵乘法算法。其中一项突破性成果打破了自1969年以来未被超越的数学记录。

矩阵乘法分块（tiling）问题

巴洛格指出：“尽管AlphaEvolve是一种通用技术，但其成果已超越专门用于矩阵乘法的AlphaTensor系统。特别是在4×4矩阵计算中，AlphaEvolve发现的算法首次超越了斯特雷森算法，这一突破自斯特雷森以来未曾实现。”研究显示，AlphaEvolve优化了14种矩阵乘法算法。

AlphaEvolve解决“亲吻数问题”

此外，AlphaEvolve在数学分析、几何、组合数学和数论等领域也展现了强大能力。系统在75%的开放性问题中达到了现有技术水平，并在20%的案例中取得更优成果。

其中一项成就体现在“亲吻数问题”上。该问题源于1694年牛顿和大卫・格雷戈里的讨论，简单来说，就是在不同维度的空间中，一个球体最多能与几个相同球体接触且不发生重叠。AlphaEvolve通过算法成功找到了一种593个球体的配置方案，打破了此前592个球体的记录。

目前AI辅助科学研究，潜力巨大。前段时间，华人学者Weiguo Yin借助OpenAI的o3-mini-high模型，破解了50年未解数学难题——完成了q=3的一维J_1-J_2 q态Potts模型的精确求解。这是首个非平凡数学证明。该成果不仅解决了长期未解的数学难题，还为物理领域诸多问题提供了新见解。