今天凌晨，谷歌Deepmind在官網(wǎng)發(fā)布了，用于設計高級算法的編程AI Agent——AlphaEvolve。

AlphaEvolve與谷歌的大模型Gemini實現(xiàn)深度集成，用于自動評估通用算法的發(fā)現(xiàn)與優(yōu)化，可以幫助開發(fā)人員快速設計出最好、高效的矩陣算法。

簡單來說，大模型擅長生成各種想法和算法，但是沒人知道這些到底行不行，而AlphaEvolve相當于“質檢員”，能夠按照特定標準來衡量這些想法是否可行。

AlphaEvolve超強能力

谷歌在展示AlphaEvolve的能力時，就特意找了一道300多年的數(shù)學難題——親吻數(shù)問題。

這道題的歷史最早可以追溯到1694年，牛頓還和別人辯論、研究過。其難點在于給定維度的空間中，最多可以有多少個相同大小的球體同時接觸一個中心球體，這些球體之間不發(fā)生重疊。

而AlphaEvolve發(fā)現(xiàn)了由593個外層球體組成的結構型，并在11維空間中建立了新的下界，超越之前數(shù)學家們創(chuàng)造的記錄。

AlphaEvolve還能為復雜的數(shù)學問題提出新的解決方法。基于極簡代碼框架，AlphaEvolve設計了一種基于梯度的新型優(yōu)化程序的諸多組件，并發(fā)現(xiàn)了多種用于矩陣乘法的新算法。

AlphaEvolve找到了一種用于4x4復值矩陣乘法的算法，該算法僅需48次標量乘法，改進了Strassen在1969年提出的算法，后者此前被認為是該場景下的最佳算法。這一發(fā)現(xiàn)表明，與谷歌之前專注于矩陣乘法算法的研究成果AlphaTensor相比，取得了重大進展。

此外，谷歌使用AlphaEvolve來增強大模型的訓練和推理。AlphaEvolve將大規(guī)模矩陣乘法運算拆解為更易于處理的子問題，使Gemini模型架構中的核心計算效率提升了23%，整體訓練時間縮短了1%，節(jié)省大量成本。

AlphaEvolve還能對GPU底層指令進行優(yōu)化。這是一個極其復雜的領域，通常編譯器已對其進行了深度優(yōu)化，所以，人類工程師一般不會直接對其進行修改。

AlphaEvolve實現(xiàn)了基于Transformer的人工智能模型中FlashAttention核心計算最高達32.5%的加速。這類優(yōu)化有助于專家精準定位性能瓶頸，并能輕松地將優(yōu)化成果整合到代碼庫中，極大提高了工作效率。

AlphaEvolve架構簡單介紹

任務定義與評估模塊是AlphaEvolve的核心之一，主要負責明確用戶的需求，包括評估標準、初始解決方案以及背景知識。通過一個自動化的評估機制來衡量生成的解決方案的質量，這一機制以函數(shù)的形式存在，將解決方案映射到一組標量評估指標上。

這些指標通常是最大化的目標，例如，在數(shù)學問題中，如果目標是找到滿足特定屬性的最大可能圖，評估函數(shù)將調用進化代碼生成圖，檢查屬性是否成立，然后返回圖的大小作為得分。

大模型集成與提示采樣模塊負責構建上下文提示，這些提示包括明確的上下文信息，例如，問題的詳細描述、方程式、代碼片段或相關文獻；隨機格式化，通過概率分布提供人類編寫的替代方案以增加多樣性；渲染的評估結果，包括程序、執(zhí)行結果以及評估函數(shù)分配的分數(shù)；以及元提示進化，由大模型本身在額外的提示生成步驟中建議的指令和上下文，這些內容與解決方案程序在單獨的數(shù)據(jù)庫中共同進化，為大模型提供了豐富的信息，使其能夠生成更準確和有效的代碼修改建議。

創(chuàng)造性生成與代碼修改是AlphaEvolve另外一個核心模塊，主要利用大模型的能力來生成代碼修改建議。這些大模型能夠處理豐富的上下文信息，并根據(jù)過去的嘗試和想法提出新的改進方案。

當AlphaEvolve要求大模型修改現(xiàn)有代碼時，它會請求以特定格式的差異塊提供更改，這種格式允許對代碼的特定部分進行針對性的更新。在某些情況下，如果代碼非常短，或者需要完全重寫，AlphaEvolve可以配置為直接輸出整個代碼塊，而不是使用差異格式。

評估與反饋模塊負責跟蹤AlphaEvolve的進展，并選擇在后續(xù)代中傳播哪些想法。每個由大模型提出的新解決方案都會被自動評估，這一過程本質上是簡單地在生成的解決方案上執(zhí)行用戶提供的評估函數(shù)。

AlphaEvolve支持一些可選機制，使評估更加靈活和高效，例如，評估級聯(lián)，用戶可以指定一系列難度遞增的測試用例，只有在所有早期階段都取得足夠有希望的結果時，新解決方案才會進入下一個階段；大模型生成的反饋，用于評估那些難以在用戶提供的評估函數(shù)?中精確捕捉的解決方案特性；以及并行化評估，通過異步調用評估集群來分配這項工作，從而提高評估效率。

進化與數(shù)據(jù)庫管理負責存儲和管理在進化過程中生成的解決方案。這些解決方案存儲在一個進化數(shù)據(jù)庫中，其主要目標是在后續(xù)代中最佳地重新出現(xiàn)先前探索的想法。設計這種數(shù)據(jù)庫的一個關鍵挑戰(zhàn)是平衡探索和利用，以持續(xù)改進最佳程序，同時保持多樣性以鼓勵整個搜索空間的探索。

AlphaEvolve的進化數(shù)據(jù)庫實現(xiàn)了一種算法，該算法受到MAP精英算法和基于島嶼的種群模型的啟發(fā)。

分布式計算管道模塊使AlphaEvolve能夠作為一個異步計算管道運行。每個計算在等待另一個尚未完成的計算結果時都會阻塞。整個管道針對吞吐量進行了優(yōu)化，而不是任何特定計算的速度，以最大化在特定總體計算預算內可以提出和評估的想法數(shù)量。

目前，有興趣的小伙伴可以去谷歌Deepmind官網(wǎng)申請使用AlphaEvolve，尤其是對于科研、數(shù)學、設計領域的小伙伴幫助很大。