【编者按】继 AlphaGo、AlphaFold 之后，谷歌 DeepMind 带来的全新 AI 编程智能体 AlphaEvolve 横空出世，它巧妙地结合了大型语言模型（LLM）的创造力与自动化评估机制，不仅在矩阵乘法等经典数学问题上取得新突破，更在谷歌数据中心优化、芯片设计乃至 AI 自身训练等实际应用中展现出惊人实力，为我们揭示了 AI 驱动算法发现的广阔前景。
出品丨AI 科技大本营（ID：rgznai100）
5 月 14 日，Google DeepMind 正式官宣推出 AlphaEvolve——一款由 Gemini 强力驱动、专注于算法发现的编码智能体。 这款全新的 AI 智能体，堪称算法设计领域的一位“进化大师”。
与传统的代码生成工具不同，AlphaEvolve 并不追求“直接产出答案”，而是像演化生物一样迭代出越来越优秀的解决策略。它的背后是 Google DeepMind 最新的大语言模型家族 Gemini——其中 Gemini 2.0 Flash 负责高效率生成大量思路，Gemini 2.0 Pro 则在关键节点提供更深层的方案优化。
其核心能力有：
那么，AlphaEvolve 是如何实现这些强大功能的呢？其背后精妙的系统设计主要包含三大支柱：
-
大型语言模型 (LLMs)核心趋动： AlphaEvolve 巧妙利用了Gemini 等先进大语言模型。这些 LLM 负责深度理解问题、综合分析过往的尝试与解决方案，并在此基础上创造性地提出新版本的算法代码。
-
自动化评估 (Automated Evaluation)： 对于那些进展可以被清晰、系统化衡量的问题（尤其在数学和计算机科学领域），AlphaEvolve 配备了自动化评估系统。它能够对 LLM 生成的每个算法方案进行客观、量化的打分，精准评估其准确性与效率。
-
进化机制 (Evolution)： 这也是 AlphaEvolve 的“灵魂”所在。它并非止步于单个好方案，而是采用进化策略，不断迭代改进当前表现最佳的算法。更关键的是，它还会从不同的优秀方案中汲取灵感、重组“基因”（即核心思路），从而“进化”出更为强大、甚至出人意料的更优算法。
这种“LLM 创造 + 自动化评估 + 进化迭代”的协同工作模式，使得 AlphaEvolve 能够从最初的设想，一步步进化出高度优化的复杂算法。与前代工具 FunSearch 主要生成简短代码片段不同，AlphaEvolve 能够进化出包含数百行代码的完整程序，从而应对更复杂、更广泛的挑战。
谷歌 DeepMind 副总裁、领导其 AI 赋能科学团队的 Pushmeet Kohli 将AlphaEvolve 形容为一个“超级编码智能体”。英国华威大学的数学家 Jakob Moosbauer 表示：AlphaEvolve 的强大之处在于它并非直接去寻找问题的答案，而是去搜索那些能产生特定解决方案的“算法”本身，这使得它威力倍增。“这种方法让它能广泛适用于各种各样的问题，”他说，“AI 正日益成为数学和计算机科学领域不可或缺的工具。”
从数据中心到芯片，AlphaEvolve 实战成绩单亮眼
虽然 AlphaEvolve 的“算法探索”能力首先用于攻克基础数学难题（例如矩阵乘法优化），但 Google DeepMind 表示，它已经将 AlphaEvolve 的成果投入到多个真实场景中，带来了实际收益。
AlphaEvolve 如何帮助 Google 提供更高效的数字生态系统，从数据中心调度和硬件设计到 AI 模型训练。
Google 的数据中心任务调度系统 Borg，一直是全球最复杂的调度系统之一。AlphaEvolve 提出了一种人类未曾发现的启发式策略，目前已在 Google 全球部署超过一年，平均提升了 0.7% 的计算资源使用率。
别看这个数字不大，但在 Google 级别的基础设施下，这种提升意味着巨大的能源与算力节省。
2. 助力芯片设计：直接修改 Verilog 代码
AlphaEvolve 还成功地重写了一段用于矩阵乘法的 Verilog 硬件描述代码，删除了冗余的比特位，同时保持电路功能正确。这一修改已被集成至下一代 TPU（Tensor Processing Unit）设计中，为 AI 芯片的自动化设计开启新可能。
在 AI 模型训练方面，AlphaEvolve 优化了 Gemini 模型中的关键矩阵计算过程，使训练时间缩短了 1%，核心 kernel 的运行速度提升了 23%。此外，它还对 FlashAttention 这一 Transformer 模型中的核心组件进行了优化，带来高达 32.5% 的加速效果。
更重要的是，这一过程原本需要工程师数周才能完成的底层优化，现在通过 AlphaEvolve 的自动化探索只需几天，极大提升了 AI 研究迭代速度。
挑战数学前沿：AlphaEvolve 破解百年难题，刷新算法认知
AlphaEvolve 在数学方面也展现出惊人的解题能力和创新潜力。它还可以为复杂的数学问题提出新方法，只需提供一段最简代码框架，它就能设计出一种新的基于梯度的优化流程中的多个关键组件，进而发现了多种全新的矩阵乘法算法——这是计算机科学中的基础性问题。
AlphaEvolve 为发现更快的矩阵乘法算法而提出的一系列修改建议。在此示例中，AlphaEvolve 对多个核心组件都进行了大幅度的修改，包括优化器（optimizer）与权重初始化（weight initialization）、损失函数（loss function）以及超参数扫描（hyperparameter sweep）。这些修改绝非微不足道的简单调整，其背后是进化过程中多达 15 次的复杂“突变”（mutations）。
矩阵乘法是无数应用的核心，但其最快算法仍是未解之谜。AlphaEvolve在此领域取得重大突破。针对 4×4 复数矩阵乘法，AlphaEvolve 找到了一种仅需 48 次标量乘法的算法，超越了 1969 年 Strassen 提出的经典算法，刷新了该场景下的最优记录。
为了验证 AlphaEvolve 的广度，研究团队将其应用于 50 多个数学分析、几何、组合数学和数论中的开放问题。得益于其灵活性，大部分实验仅需数小时即可设置完成。据我们了解，在约 75% 的情况下，AlphaEvolve 成功重现了当前最优解。
更令人惊喜的是，在约 20% 的问题中，AlphaEvolve 提出了优于现有解的新方案，推动了相关开放问题的研究进展。例如，它在已有 300 多年历史的几何难题「接吻数问题（kissing number problem）」上取得突破：该问题研究的是在不重叠的前提下，最多能有多少个球同时接触一个单位球。AlphaEvolve 找到了一个包含 593 个外接球的新构型，并在 11 维空间中建立了该问题的最新下界。
AlphaEvolve 代表了通用算法发现迈出的关键一步，也为大模型与自动化推理结合开辟了全新路径。在 X（原 Twitter）上，Grok 大模型官方账号也转发并评论了 AlphaEvolve 的成果，称其为 “AI 在自主设计与优化算法领域的一大飞跃”，并指出其表现“令人印象深刻”。
正如我们昨天报道的那样，Ruby on Rails 之父 DHH 预言：“未来写代码将是一种情怀。”而 AlphaEvolve 的出现，似乎正在让这一观点变为现实。在这个由代码构建的世界里，谁来编写下一代算法的“源代码”？或许，这一次，答案真的来自 AI 自己。
（文：AI科技大本营）
