“Google 最新的 AI Agent 通過融合大語言模型創造力與自動評估器 推動數學與計算領域算法進化。”

大語言模型（LLMs）具有驚人的多功能性。它們能夠總結文檔、生成代碼，甚至構思創新理念。如今，Google 進一步擴展這些能力，將其應用于解決數學基礎領域和現代計算中高度復雜的難題。

AlphaEvolve 是一款由大語言模型驅動的進化式編程代理，致力于通用算法的發現與優化。該平臺將 Gemini 模型的創造性問題解決能力與驗證答案的自動評估系統相結合，并通過進化框架持續優化最具潛力的解決方案。

AlphaEvolve 已成功提升谷歌數據中心運營效率、芯片設計流程及 AI 訓練系統性能，包括支撐 AlphaEvolve 本身的大語言模型訓練。該平臺還助力開發更高效的矩陣乘法算法，并為數學開放性問題提供創新解法，展現出跨領域應用的非凡潛力。

使用 LLM 設計更好的算法

2023年，Google 首次證實大語言模型能夠生成計算機代碼函數，助力在開放性科學問題上發現可驗證的新知識。AlphaEvolve 作為智能代理，其能力已突破單一函數發現的局限，能夠實現完整代碼庫的進化，并開發復雜度顯著提升的算法體系。

AlphaEvolve整合了多款尖端大語言模型：速度最快、效率最優的 Gemini Flash 模型負責最大限度拓展創意探索的廣度，而性能最強的 Gemini Pro 模型則通過深度洞察提供關鍵優化建議。兩大模型協同工作，共同生成實現算法解決方案的計算機程序。

提示采樣器首先為語言模型構建提示指令，隨后模型生成新程序。這些程序經評估器驗證后存入程序數據庫。該數據庫運行進化算法，決定哪些程序將用于后續提示生成

AlphaEvolve 通過自動化評估指標對建議程序進行驗證、運行與評分。這些指標為每個解決方案的準確性與質量提供客觀可量化的評估。這種特性使其在數學、計算機科學等能夠進行清晰系統化衡量進展的領域展現獨特優勢。

優化計算生態

過去一年間，Google 在 AlphaEvolve 平臺發現的新型算法整合部署于谷歌計算生態的各個環節，涵蓋數據中心、硬件架構與軟件開發。每一項改進的效能通過我們的AI與計算基礎設施進行指數級放大，旨在為全球用戶構建更強效且可持續發展的數字化生態系統。

示意圖展示AlphaEvolve如何助力谷歌實現更高效的數字化生態，包括數據中心調度優化、硬件系統設計革新及AI模型訓練升級。

數據中心調度優化

AlphaEvolve 發現了一種簡潔高效的啟發式算法，助力 Borg 系統更高效協調谷歌超大規模數據中心集群。該方案已穩定運行逾一年，平均持續回收谷歌全球計算資源的 0.7%。這種持久的效率提升意味著在同等算力規模下，系統可完成更多任務。該方案不僅性能卓越，更具備人類可讀代碼的核心運維優勢：良好的可解釋性、易調試性、可預測性及便捷部署特性。

助力硬件設計（Verilog）

在矩陣乘法核心優化電路設計中，AlphaEvolve 提出 Verilog 重寫方案，成功剔除冗余邏輯單元。關鍵突破在于，該方案通過了嚴格的驗證流程，確保修改后電路功能完整性。這項創新已被集成至新一代張量處理單元（TPU）：谷歌自主研發的AI加速芯片。通過使用芯片設計標準語言提出優化建議，AlphaEvolve 開創了 AI 與硬件工程師協同創新的新模式，有力推進專用芯片研發進程。

強化AI訓練與推理

AlphaEvolve 顯著提升 AI 性能與研發效率。通過智能劃分大型矩陣運算為可管理子問題，該平臺將 Gemini 架構核心運算速度提升23%，對應縮短1%模型訓練時間。鑒于生成式 AI 訓練所需龐大算力，每項效率突破都將轉化為顯著成本節約。除性能提升外，AlphaEvolve 將核心優化所需工程時間從專家數周工作量壓縮至自動化實驗數日周期，大幅加速研究迭代速度。

在 GPU 底層指令優化層面，AlphaEvolve 展現出突破性能力。該領域通常由編譯器深度優化，工程師鮮少直接修改。通過優化 Transformer 架構中 FlashAttention 核心實現，AlphaEvolve 取得高達 32.5% 的速度提升。此類優化不僅幫助專家定位性能瓶頸，更便于將改進方案集成至代碼庫，有效提升開發效率并實現算力與能源的持續優化。

數學前沿與算法發現突破

AlphaEvolve 在復雜數學問題上展現出創新求解能力。基于給定的程序代碼框架，該平臺自主設計了新型梯度優化流程的多個組件，成功發現計算機科學基礎問題：矩陣乘法的多個新算法。這種創新范式為算法發現領域開辟了嶄新路徑。

列表展示AlphaEvolve為加速矩陣乘法算法提出的多維度改進方案。該案例中，平臺針對優化器與權重初始化模塊、損失函數及超參數掃描機制提出系統性改造方案，涉及15項關鍵進化步驟的深度調整。

AlphaEvolve 成功開發出 4×4 復值矩陣乘法新算法，僅需 48 次標量乘法運算，超越 1969 年 Strassen 算法在此領域的長期最優紀錄。這一突破標志著相較于專攻矩陣乘法的前代系統 AlphaTensor 的重大進步：后者在 4×4 矩陣領域僅實現二進制算術的局部優化。

為評估系統普適性，我們在數學分析、幾何學、組合數學與數論領域選取 50 余個開放性問題進行驗證。得益于平臺的高度靈活性，多數實驗配置可在數小時內完成。經測試，約 75% 案例成功復現當前學界最優解（基于現有公開知識體系）。

約 20% 案例實現已知最優解的超越，推動相關開放問題研究進程。典型案例如"接吻數問題"，這個困擾數學家三百余年的幾何難題，探討單位球體周圍可容納的最大非重疊外圍球體數量。AlphaEvolve 成功構建含 593個 外圍球體的空間配置，在 11 維空間中確立新的下限紀錄。

發展路徑展望

AlphaEvolve 展現了從特定領域算法發現到應對復雜現實挑戰的系統進化能力。隨著大語言模型編碼能力的持續突破，特別是代碼生成水平的提升，我們預期該平臺將實現更顯著的性能躍升。

與人機協作研究團隊（PAIR）合作，我們正構建直觀的 AlphaEvolve 交互界面。計劃啟動精選學術用戶的早期體驗計劃，同時探索更廣泛的應用場景。

雖然當前主要應用于數學與計算領域，但其通用架構支持所有算法化解決方案的自動化驗證場景。我們預見 AlphaEvolve 將在材料科學、藥物研發、可持續發展等更多領域引發革命性突破，拓展技術與商業創新的邊界。