谷歌DeepMind这两天推出的AlphaEvolve的新系统，因其在算法设计上展现出的超越人类专家的原创能力，引起了业界的广泛关注，其中也包括来自OpenAI等顶尖研究机构的目光。该系统不仅成功优化了沿用数十年的经典算法，更在多个实际应用中设计出全新解决方案，关于AlphaEvolve更多信息可以看我之前的文章重磅！谷歌DeepMind发布AlphaEvolve：AI界的“算法设计进化大师”诞生
AlphaEvolve的核心在于其巧妙地结合了谷歌Gemini模型的强大代码生成能力与一种进化算法。通过这种机制，系统能够自主探索、生成并迭代优化算法代码。其最引人注目的成就之一，便是针对已存在56年之久的Strassen矩阵乘法算法提出了更高效的计算方法，减少了产生结果所需的计算量。此外，DeepMind还运用AlphaEvolve在数据中心任务调度、计算机芯片设计以及大型语言模型（如Gemini自身）的优化等领域取得了突破，设计出超越现有已知方案的算法。
DeepMind的研究人员强调，AlphaEvolve所发现的算法并非对现有知识库的简单模仿或重组，而是“可被精确证明是全新的、且正确的”，这些成果在训练数据中并不存在。这标志着AI在特定任务上，已从学习和复制迈向了真正的创造和发现
这种原创能力正是AlphaEvolve引起业内高度关注的关键。OpenAI的研究员Jason Wei坦言对AlphaEvolve的进展感到“震撼”：
“判别器-生成器差距”可能是AI驱动科学创新的最重要的理念。AlphaEvolve的成功，正是利用了这一点：只要我们能够清晰地定义问题并建立有效的评估（测量）体系，AI凭借其强大的算力和搜索能力，就能在巨大的可能性空间中找到最优解。Jason Wei甚至提出“测量就是你所需要的一切”（Measurement is all you need），只要问题可以被量化和快速验证，AI就有潜力在该领域取得突破–jason wei
这里大家可能对判别器-生成器差距 (Discriminator-generator gap) 这个概念比较陌生，这通常指的是生成对抗网络（GANs）中的核心概念。在GANs中，生成器（Generator）尝试创建逼真的数据（例如图像、文本），而判别器（Discriminator）则努力区分真实数据和生成器创建的虚假数据。两者在持续的竞争中共同进化和提升，生成器力求“欺骗”判别器，判别器则不断提高识别能力。“差距”指两者能力之间的差异，或者通过这种对抗过程驱动的创新潜力
AlphaEvolve并非DeepMind在利用AI探索科学边界方面的首次尝试。此前的AlphaTensor项目利用强化学习发现了新的矩阵乘法算法，而FunSearch则使用进化方法为特定问题生成更高效的代码。这些项目的共同点在于，它们都旨在让AI超越模式识别，进入主动发现和创造的领域
谷歌最近一直在放大招，感觉又重回AI领头羊的角色了，据说谷歌会在北美5月20号的I/O大会上放出Gemini 2.5超大杯，我们拭目以待，哈哈，OpenAI放出Codex已经提前狙击谷歌了
⭐
（文：AI寒武纪）