這周，谷歌DeepMind扔出了重磅炸彈——AlphaEvolve。

但許多人，仿佛還未意識到這個AI的意義。

可以這么說，AlphaEvolve，就是數學界AlphaGo的「第37步」時刻，堪稱瘋狂。

谷歌的這個AI，取得了人類未曾發現的數學成果。

比如，它改進了改進了4x4矩陣乘法，將運算次數從49次減少到48次，這是自1969年Strassen算法提出以來，56年內的突破！

另外，它還推進了六邊形填充問題的研究，找到了在更大六邊形內排列11個和12個六邊形的更優解法，超越了人類的解決方案（在停滯16年之后）！

甚至，它一舉改進了困擾數學家300多年的「接吻數問題」。

而這一切，都是靠AI自我進化、訓練自己所使用的LLM而得到的。

通過自我對弈，它擁有了超人的編碼能力，甚至讓人預言——

十年內，編程將迎來自己的AlphaGo時刻。

而且，跟AlphaGo的「第37步」不同，AlphaEvolve展現出AI自主優化算法的能力，或將徹底改變芯片設計和數據中心效率。

谷歌CEO Pichai，對「AI訓練AI」進行了生動的解釋：由Gemini驅動的編碼agent，優化了Gemini的訓練，形成了一個數據飛輪

跟以往成果不同的是，谷歌DeepMind這次直接弄出一個通用武器。

從此，AI不僅能解決問題，還能發現新的前沿領域。這就代表著，人類集體智慧發生了一次真正的飛躍！

接下來的劇本，或許就是AI橫掃各大科學難題，直接顛覆人類科研。

谷歌DeepMind

引領全人類未來

谷歌DeepMind，一直在AI改造世界這個方向引領著前沿。可以說，在將近30年里，他們都在指引著人類文明的方向。

AlphaGo通過學習人類對弈，甚至自我對弈，擊敗了人類冠軍李世石。

AlphaZero通過自我對弈，學會圍棋、國際象棋和日本將棋，被稱為一種人類從未見過的智慧。

AlphaFold預測了數百萬種從未通過實驗測量過的蛋白質三維結構。

AlphaDev則發現了更快的排序算法。

AlphaTensor用于進行科學發現，將尋找更快矩陣乘法算法的問題構造成一個游戲，實現了重大突破。

FunSearch則將我們帶到更遠，通過代碼演化，利用LLM尋找新的數學解決方案。

谷歌DeepMind的下一個Alpha，更是令人無比期待。

OpenAI研究員Jason Wei就表示，AlphaEvolve對于像我這樣的強化學習鐵桿粉絲來說，確實令人不安

所以，這次打造出AlphaEvolve的團隊，究竟有哪些人物，經歷了哪些探索？

就在最近，Youtube上的人氣大V「Machine Learning Street Talk」，就提前獲取了谷歌DeepMind的這篇論文，并采訪了這項工作的研究者。

半個世紀矩陣乘法突破，研究者當場驚呆

在計算機科學領域，幾乎沒有問題能像矩陣乘法一樣基礎。

半個多世紀以來，此領域的一個特定基準，一直被認為難以突破。

因為最優算法的搜索空間極為龐大，使得窮舉在實踐中幾乎不可能，即使對相對較小的矩陣也是如此。

1969年，Strassen通過發現一種算法，徹底改變了這一領域。該算法僅需七次標量乘法，即可乘以兩個二乘二矩陣。

而就在今天，這一紀錄被Alpha Evolve打破了！

而它能做到一點，連谷歌DeepMind的研究者都沒想到。

對于通常情況下的矩陣，仍然沒有比使用四十九次乘法進行兩次Strassen更好的辦法。

開始，研究者們也壓根沒有期待，它能找到比四十九次更好的結果，因為他們已經用AlphaTensor嘗試了很長時間了。

所以，他們只是出于完整性試了一下，因為想在論文中展示這個表格而已。

結果，出乎所有人意料，一個更快的算法，居然被它發現了！

這次，算法使用了48次，而不是49次乘法，徹底打破紀錄。

當看到一位同事發消息通知這一結果時，研究者表示自己簡直不敢相信。

反復檢查三遍后，他們終于確認——

AI不斷增強的能力，可以生成全新的、可證明準確的算法，從而推動科學的邊界！

跟第一版本有何區別？

根據論文，AlphaEvolve是一種進化編程智能體，顯著提升了預訓練LLM在復雜任務上的能力。

要知道，此前團隊曾有過第一篇論文，講的是FunSearch，原理與之非常類似。

所以，二者的區別在哪里呢？

研究者介紹說，FunSearch只是在搜索一個單一的函數，但AlphaEvolve，本質上可以作用于整個代碼庫。

它會在代碼庫中你標記的區域中進行搜索，甚至優化這些函數之間的交互。

谷歌昂貴的服務器，不用閑置了

所以，AlphaEvolve有沒有可能進化出一個方法，來優化谷歌的計算基礎設施呢？

出于嘗試，谷歌工程師將一個候選方案放進這個AI，令人驚喜的是，它果然進化出了一個更聰明的啟發式方法！

現在，這個方法已經被運用于優化谷歌內部的計算基礎設施了。

要知道，在谷歌龐大的數據中心，高效安排計算任務是一項非常復雜的操作。如果操作不當，昂貴的服務器就會閑置。

而現在結果正式，這個全新方法利用了谷歌服務器群計算資源的0.7%，對于谷歌來說，這是一項巨大的節省。

盜夢空間成真？

甚至，在另一個自我改進的實例中，它甚至找到了加速Gemini模型訓練的方法，這，就為AlphaEvolve本身提供了動力。

這個實例之所以如此有趣，是因為它不僅生成了解決方案，還生成了產生這些方案的程序。

也就是說，Alpha Evolve像《盜夢空間》一樣。

甚至研究者表示，在檢查代碼時，他不僅想到，這看起來完全就是一種數學洞察，或者一種數學假設！

事實也證明了，它們的確對改進結果非常關鍵。

而Alpha Evolve另外一個有趣的點，就是它仍然非常依賴「人類參與其中」。

過程中，人類負責識別哪些內容是有趣的，找到那些有明確評估標準的問題，將候選解決方案納入循環中。

然后，Alpha Evolve就會遍歷這個可能性的錐體，在過程中不斷跳躍，將這個循環繼續下去。

所以，Alpha Evolve也預示了一種AI的未來——人類和AI之間，有著強大的協作循環。

曾經有一個「死掉的互聯網」的理論，指的是在未來，網上大部分內容都將由AI生成，而且非常表面化、非常膚淺。

而此時，就需要人類來指導AI、改進結果，進行迭代。

而讓Alpha Evolve如此酷炫且強大的，也正是人與機器之間的這種互動。

AlphaEvolve，為何如此適合科學發現

在訪談中，主持人向研究者提問道：究竟是什么促使你們走上了進化算法的道路呢？

研究者回答說，這就跟科學發現的過程一樣，是一個非常自然的選擇。

進化算法能為探索過程帶來多樣性，確保你不會在早期就鎖定在某種特定方法上，因為這種方法有可能是次優解。

最終，我們仍然需要不斷探索所有的可能性，尤其是想要做出新的科學發現時。

言簡意賅地說，AlphaEvolve就是一個進化算法，對于系統給出代碼片段，我們都可以自動測試它好不好，有多好。

一方面，它可以把你限制在你可以解決的問題集上，而另一方面，它涵蓋的問題范圍又非常廣泛。

LLM會給你提出各種想法，通過這個評估器，我們就可以篩選出真正重要的、能做出改變的想法。

最有潛力的代碼，將被識別出來，然后專注于改進這些部分。

接下來，采訪者就提出了一個重要的問題：我們什么時候才知道，這個過程要結束？

比如，可能我們覺得該終止了，但如果再多等五分鐘，就會得到一個近乎完美的算法。

研究者解答了他的疑惑。

從理論上講，的確永遠無法確定如何讓算法運行更久，以及會得到什么結果。

但在實踐中，這并未造成任何問題。

比如可以這樣設置問題：我正在嘗試解決這個數學中的開放性問題，尋找能取得進展的搜索算法，但我希望10分鐘內就能取得進展。

也就是說，其實我們只探索了能在10分鐘內做出進展的算法空間。

當然的確存在這種可能性：如果運行更長時間，說不定還會有表現更好的算法。這個可能性永遠無法消除。

那一刻，AI發生了想象力驚人的跳躍

主持人問道：你可以舉出一些系統做出真正有想象力的跳躍的例子嗎？

研究者表示，一個具體的例子，AlphaEvolve如何發現矩陣乘法算法的。

實際上，他們只是讓它設計了一個基于梯度的搜索算法，也即一個能找出的算法的算法，或者說元算法。

第一個搜索算法，是從一個非常簡單的代碼框架開始的。

研究者并未給它任何東西，只告訴它「用梯度」，然后，它就寫出了這些復雜的損失函數和更新函數，而且以完全出人意料的方式引入了隨機性。

就在那一刻，研究者驚呼：太厲害了！

當然，這種代碼也有可能是人類寫出的，但他們真的會想到寫出這段特定代碼嗎？

那一刻，他仿佛頓悟了——AlphaEvolve做的，是一些類似人類的事情，但又顯然不是人類會嘗試的東西。

人類具體是怎樣指導AI的呢？

研究者提及了一個實驗，在這個實驗中，他們請幾個人花了30分鐘思考這個問題，記下筆記，然后指導系統完成整個過程。

可以理解為，AI榨出了這個想法的全部精華，理解了它的本質，于是引導LLM得出了這樣的目標，同時做了很多優化。

聽起來，這就是智能的本質——嘗試很多事情，總有一件會成功。

最震撼之處：改變世界，就在當下

研究者表示，在以往，通常我們很難開發出某種科研工具，直接、立刻應用到現實世界的挑戰，并產生巨大影響。

而AlphaEvolve的意義就在于，在開箱時就能同時在數學和科學問題上做出新發現，甚至還能發現可以直接部署到谷歌核心計算架構中的算法。

這，是他們此前從未經歷過的事情。

AI奇點，或許已經到來了。