重磅！谷歌DeepMind發布AlphaEvolve：AI界的“算法設計進化大師”誕生
谷歌DeepMind剛剛又往前拱了一大步，宣布推出 AlphaEvolve智能體 ，目標直指更上游，用于通用算法的設計發現和優化。
簡單說，AlphaEvolve就像個AI界的“算法育種大師”。它把自家Gemini大模型（Gemini Flash負責廣撒網，洞察力強的Gemini Pro負責深挖）和一套“自動化考官”（負責驗證算法靠不靠譜、效率高不高）結合起來，再套上一個“進化論”的框架，讓好算法能一代更比一代強。
AlphaEvolve工作流程：工程師設定框架，AI通過“提示采樣器”給LLM喂招，LLM出新招（程序），“考官”打分，好招進“兵器譜”，并用來啟發下一輪出招。
去年DeepMind就秀過肌肉，證明LLM能生成代碼函數來搞定科學問題。但AlphaEvolve的野心是進化一整個代碼體系，去啃那些更復雜的算法硬骨頭。
AlphaEvolve已經在谷歌內部“上崗”了
AlphaEvolve已經在谷歌的多個核心業務里默默發光發熱了：
1.改善數據中心調度：
AlphaEvolve給谷歌龐大的數據中心Borg系統發現了一種簡單卻極其有效的啟發式方法。這套方案上線一年多，平均給谷歌全球計算資源摳回了0.7%的算力。
2.設計芯片 (TPU Circuit Design)：
在谷歌的AI芯片TPU設計中，AlphaEvolve直接上手改起了Verilog（芯片設計語言）。它優化了一個矩陣乘法關鍵電路，去掉了冗余。改動通過了嚴格的“體檢”，確認功能沒問題，已經被用在了下一代TPU里。
3.給AI訓練和推理再提提速：
AlphaEvolve找到了更巧妙的方法來拆解大矩陣乘法，讓Gemini架構里的這個核心“零部件”快了23%，最終給Gemini模型的訓練省了1%的時間。對大模型訓練這種“吞金獸”來說，1%也是肉。工程師們也從幾周的苦哈哈優化，變成了幾天的自動化實驗，能更快搞創新了。
它甚至還能優化底層的GPU指令。對于Transformer模型里常用的FlashAttention，AlphaEvolve給整出了最高32.5%的加速。這塊通常是編譯器啃的硬骨頭，人一般不輕易動。
不止搞工程，數學前沿它也敢闖
AlphaEvolve的目標不只是優化現有系統，它還想在更基礎的數學和算法發現上取得突破：
矩陣乘法新算法：
給定一個基礎代碼框架，AlphaEvolve設計出了一種新穎的基于梯度的優化過程，發現了多個矩陣乘法新算法。例如，它找到了一個用48次標量乘法計算4x4復數矩陣乘積的算法，優于自1969年以來已知的Strassen算法。這比DeepMind之前的AlphaTensor（專攻矩陣乘法，但對4x4矩陣只在二元算術上找到改進）又進了一步。
攻克公開數學難題：
DeepMind用AlphaEvolve嘗試了超過50個來自數學分析、幾何、組合學和數論的公開問題，在約 75% 的案例中，它重新發現了當前已知的最優解。在約20%的案例中，它改進了已知的最優解！
例如，在困擾了數學家300多年的“接吻數問題”（Kissing Number Problem，即一個中心球最多能同時接觸多少個不重疊的等大球體）上，AlphaEvolve在11維空間中發現了一個包含593個外層球的構型，刷新了該維度下的已知下界。
對數學成果感興趣的，DeepMind也放了些結果在Google Colab上，地址：
寫在最后
大語言模型的編碼能力還在進化，AlphaEvolve也會跟著變強。谷歌目前推出了早期試用計劃，先給學術圈的朋友們嘗嘗鮮，想嘗鮮的可以去DeepMind官網填個表
https://docs.google.com/forms/d/e/1FAIpQLSfaLUgKtUOJWdQtyLNAYb3KAkABAlKDmZoIqPbHtwmy3YXlCg/viewform
想深挖的，paper地址：
