去年，AI 能解出博士級別的數(shù)學題，已是轟動一時的大新聞；
而今年，能攻克「未解之謎」級別的數(shù)學難題的 AI 已經(jīng)來了。
5 月 15 日，Google DeepMind 發(fā)布了全新編程智能體 AlphaEvolve。不同于傳統(tǒng)的編程 Agent，它專注于通用算法的自動發(fā)現(xiàn)與持續(xù)優(yōu)化。
顧名思義，AlphaEvolve 擅長在「進化」中尋找更優(yōu)解，它模擬自然選擇機制，能在代碼中不斷迭代、演化出創(chuàng)新算法。
只要問題能用程序表達、結果能用函數(shù)評估，AlphaEvolve 就能迭代算法。Google 表示，在組合數(shù)學、幾何學、數(shù)論等超過 50 個未解問題中應用后，AlphaEvolve 在約 20% 的問題上超越了人類現(xiàn)有解法。
DeepMind 研究員 Matej Balog 表示：「AlphaEvolve 在十多個公開的數(shù)學問題上取得了突破。
但最讓我激動的是：它找到了 56 年以來，4x4 復數(shù)矩陣乘法算法的首次改進。這個結果，來自它自創(chuàng)的一種復雜搜索算法。」
AlphaEvolve 的價值不僅在數(shù)學，它展現(xiàn)出的是一種通用的「算法發(fā)現(xiàn)能力」。Balog 表示：「我們對 AlphaEvolve 的應用，還只是觸及表層。」
01 問題能用程序表達、結果能用函數(shù)評估，AlphaEvolve 就能迭代算法
Google DeepMind 表示，AlphaEvolve 能夠在多個復雜問題中取得突破，關鍵在于其背后運作的是一整套自動進化機制，能持續(xù)優(yōu)化算法并提升性能。
從本質(zhì)上看，AlphaEvolve 解決的是一個通用的黑盒優(yōu)化問題：maximize h(f)。其中，f 是由大型語言模型生成的程序，h 是衡量該程序質(zhì)量的評估函數(shù)。
在實際流程中，AlphaEvolve 首先通過提示采樣器（prompt sampler）組裝提示詞，引導語言模型生成代碼。
DeepMind 使用了兩個不同的 Gemini 模型協(xié)同工作：Gemini Flash 以更高速度生成大量候選方案，擴展思路的廣度；Gemini Pro 則提供更深入的結構性建議。
二者結合，使模型能產(chǎn)出具備實際可行性和算法深度的程序。生成的程序會被送入自動評估系統(tǒng)，經(jīng)過驗證、運行和打分后，寫入程序數(shù)據(jù)庫。
數(shù)據(jù)庫中運行著一套進化算法，會從已有程序中挑選表現(xiàn)最好的方案，為下一輪提示提供方向，不斷迭代出更優(yōu)解。
AlphaEvovle 的一個核心點就是這套自動評估指標。它能對生成程序進行驗證、運行和評分。
每一個程序都會被 h 函數(shù)衡量其準確性、運行效率、代碼質(zhì)量等維度。這些評分標準是客觀、量化的，使 AlphaEvolve 能夠在無需人類直接干預的前提下持續(xù)優(yōu)化。
圖片來源：Google
不過，這里的 h 函數(shù)依然由人類研究人員定義，可以是準確率、運行時間，甚至代碼可讀性等維度的組合。
AlphaEvolve 負責的只是在給定 h 的前提下去尋找最優(yōu)的 f。對于一些數(shù)學問題或研究任務，Google 也可能預設 h。這也說明了 AlphaEvolve 當前的邊界：它適用于那些「成果是否優(yōu)秀」可以自動量化判斷的問題。
但如何定義「優(yōu)秀」，仍需人來給出。在需要人類實驗才能確定是否優(yōu)秀的問題上，AlphaEvolve 就無法評估了。
以 DeepMind 研究員提到的 4 x 4 復數(shù)矩陣乘法為例，研究人員設置了一組任務目標，包括達到的最低乘法次數(shù)（即張量分解的秩）以及達到該結果的隨機種子比例。
這些信號構成了 AlphaEvolve 的優(yōu)化目標，引導它在復雜的搜索空間中穩(wěn)步「爬山」。AlphaEvolve 從問題定義出發(fā)，基于標準的梯度優(yōu)化流程（包括初始化器、重建損失函數(shù)、Adam 優(yōu)化器等），演化出了一系列高質(zhì)量的張量分解算法。
最終，它在 14 個矩陣乘法結構上超越了已知最優(yōu)結果。其中最引人注目的，是它提出了歷史上第一個能用 48 次乘法完成 4×4 復數(shù)矩陣乘法的算法——打破了 56 年未被突破的記錄。
圖片來源：Google
AlphaEvolve 的技術路線可追溯到 DeepMind 早期提出的 FunSearch 系統(tǒng)。
FunSearch 同樣利用語言模型引導程序進化，曾被用于發(fā)現(xiàn)數(shù)學結構或在線算法策略。但與之相比，AlphaEvolve 的擴展性顯著提升：它可以修改完整程序，處理多個函數(shù)、組件、甚至跨語言結構協(xié)同優(yōu)化，而不僅限于 Python 中的單一函數(shù)。
這種更高的通用性，使 AlphaEvolve 不再只是一個「智能改函數(shù)」的工具，而像是一個可以自主演化大型算法系統(tǒng)的「程序設計伙伴」。
據(jù) DeepMind 披露，AlphaEvolve 已被應用于 50 多個數(shù)學難題，涵蓋數(shù)學分析、幾何學、組合數(shù)學與數(shù)論等領域。大多數(shù)實驗都能在數(shù)小時內(nèi)完成部署。在約 75% 的問題中，它成功重新發(fā)現(xiàn)了當前的最優(yōu)解。
更令人驚喜的是，在約 20% 的問題中，它給出了比已知方法更好的解法。比如在數(shù)學界研究了 300 多年的「接吻數(shù)問題」中，AlphaEvolve 構造出由 593 個球體組成的新結構，在 11 維空間中刷新了下界。
除了數(shù)學，AlphaEvolve 也已在 Google 內(nèi)部實際落地應用，解決了計算棧中多個層面的工程問題，包括：為 Borg 系統(tǒng)設計新的調(diào)度啟發(fā)式；優(yōu)化大語言模型訓練時使用的矩陣乘法內(nèi)核；改寫 TPU 芯片中的算術電路；加速 Transformer 注意力機制的執(zhí)行速度。
這些任務之間跨度極大，但都具備一個共性：問題能用程序表達、結果能用函數(shù)評估。只要這兩點成立，AlphaEvolve 就可以發(fā)揮作用。
02 更多的智能供給，帶來無限的游戲
此次發(fā)布來自 Google DeepMind，這一團隊曾推出 AlphaGo、AlphaFold 等具有里程碑意義的 AI 系統(tǒng)，在博弈智能與科學發(fā)現(xiàn)領域顯著擴展了人工智能的能力邊界。
AlphaEvolve，與依賴強化學習和自我博弈（如 AlphaGo）的系統(tǒng)不同，是通過語言模型生成大量程序候選，結合自動評估與進化機制，篩選出更優(yōu)的算法方案。
它更像是一種可編排、可擴展的算法構造與發(fā)現(xiàn)框架。相比 AlphaGo 展示的是人工智能如何在規(guī)則明確定義的博弈中超越人類，AlphaEvolve 的意義可能更在于：它為研究者提供了一種持續(xù)、可擴展的算法生成與優(yōu)化能力。
算法設計與調(diào)優(yōu)歷來是一種高度稀缺的技術能力。算法工程師在就業(yè)市場上普遍享有更高的薪酬與職位門檻，足以反映其復雜性與稀缺性。
而現(xiàn)在，只要設定明確的評估方式，AlphaEvolve 就有可能以接近無限的算力和耐心，自動探索并優(yōu)化算法解法。這意味著，「發(fā)現(xiàn)并改進算法」這項曾依賴個體經(jīng)驗的能力，開始從稀缺、手工、不可復制，變?yōu)榭勺詣踊⒖梢?guī)模化的智能供給。
尤瓦爾·赫拉利曾經(jīng)有一個比喻，形容 AlphaGo 為人類帶來的沖擊。人類一直在圍棋星球上探索如何下圍棋，不斷有人畫出路線圖，探索圍棋星球的樣貌。
直到 AI 出現(xiàn)，人類才驚覺，自己不過是在圍棋星球的一座小島上原地打轉，而真正的星球遼闊無邊，未曾涉足的區(qū)域遠超想象。
而去年到今年，在科研領域，我們也不斷地看到 AI 正在做同樣的事情。2024 年，AI 相關成果首次同時獲得諾貝爾物理學獎與化學獎，而這很有可能成為未來的科研常態(tài)。
從某種程度上說，AlphaEvolve 所做的，是以前所未有的速度加快這張科研的「未知地圖」的展開。
以無限的智能供給，讓每個領域都有可能被再探索一遍。當「能被發(fā)現(xiàn)的算法」不再稀缺，人類對知識的征途，或許才剛剛開始。
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯(lián)系我們修改或刪除，多謝。
