谷歌: 56年無人解開的數學難題,被谷歌的新AI突破了

2025-05-18 | 來源: 極客公園 | 轉到微信 | 有0人參與評論 | 字體: 放大縮小 | 收藏 | 打印

圖片來源：Google

不過，這裡的 h 函數依然由人類研究人員定義，可以是准確率、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的 f。對於一些數學問題或研究任務，Google 也可能預設 h。

這也說明了 AlphaEvolve 當前的邊界：它適用於那些「成果是否優秀」可以自動量化判斷的問題。但如何定義「優秀」，仍需人來給出。在需要人類實驗才能確定是否優秀的問題上，AlphaEvolve 就無法評估了。

以 DeepMind 研究員提到的 4×4 復數矩陣乘法為例，研究人員設置了一組任務目標，包括達到的最低乘法次數（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 的優化目標，引導它在復雜的搜索空間中穩步「爬山」。

AlphaEvolve 從問題定義出發，基於標准的梯度優化流程（包括初始化器、重建損失函數、Adam 優化器等），演化出了一系列高質量的張量分解算法。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。FunSearch 同樣利用語言模型引導程序進化，曾被用於發現數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、組件、甚至跨語言結構協同優化，而不僅限於 Python 中的單一函數。

這種更高的通用性，使 AlphaEvolve 不再只是一個「智能改函數」的工具，而像是一個可以自主演化大型算法系統的「程序設計伙伴」。

據 DeepMind 披露，AlphaEvolve 已被應用於 50 多個數學難題，涵蓋數學分析、幾何學、組合數學與數論等領域。大多數實驗都能在數小時內完成部署。

傳Google新手表加入兩大救命功能

自家裸身遭Google街景拍獲賠1萬多美元

谷歌:AI狼沒來,廣告一哥穩坐釣魚台

在約 75% 的問題中，它成功重新發現了當前的最優解。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。比如在數學界研究了 300 多年的「接吻數問題」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。

除了數學，AlphaEvolve 也已在 Google 內部實際落地應用，解決了計算棧中多個層面的工程問題，包括：為 Borg 系統設計新的調度啟發式；優化大語言模型訓練時使用的矩陣乘法內核；改寫 TPU 芯片中的算術電路；加速 Transformer 注意力機制的執行速度。

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、結果能用函數評估。只要這兩點成立，AlphaEvolve 就可以發揮作用。

02

更多的智能供給，帶來無限的游戲

此次發布來自 Google DeepMind，這一團隊曾推出 AlphaGo、AlphaFold 等具有裡程碑意義的 AI 系統，在博弈智能與科學發現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，篩選出更優的算法方案。它更像是一種可編排、可擴展的算法構造與發現框架。

相比 AlphaGo 展示的是人工智能如何在規則明確定義的博弈中超越人類，AlphaEvolve 的意義可能更在於：它為研究者提供了一種持續、可擴展的算法生成與優化能力。

算法設計與調優歷來是一種高度稀缺的技術能力。算法工程師在就業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。