陶哲轩DeepMind梦幻联动，最强通用科学Agent来了！一口气解决芯片设计、矩阵乘法和300年几何难题

Nature：「令人惊叹」的通用科学人工智能来了！

谷歌 DeepMind 再次甩出一颗重磅炸弹：与陶哲轩等一众顶尖科学家一起共同打造AlphaEvolve。

它可以设计出更快的矩阵乘法算法，可以改进芯片设计、提高数据中心、AI 训练的效率，已经在谷歌内部用上了。

它将 Gemini 架构中大型矩阵乘法运算加速了 23%，从而将 Gemini 的训练时间缩短了 1%，谷歌程序员狂喜（bushi）。此外还将 FlashAttention 提速了 32.5%。

几百年前未曾解决过的数学问题，也都能因为它前进一大步。

比如一个经典的 300 年前的几何挑战接吻数（Kissing Number）问题。它关注的是，给定空间内球面相切的不重叠球体的最大数量。

一维空间和二维空间是这样的。

AlphaEvolve 发现了一个由 593 个外球体组成的结构，直接刷新了 11 维空间中的下限。

wiki 百科上已经更新了记录。

而它的潜力还在释放当中，陶哲轩表示这个工作还在进行，接下来希望会汇报更多进展。搓搓手期待了 ~

目前它推出了早期邀测试用，在官网填写表格，就有机会使用哦 ~ 不仅限学术圈的朋友。

AlphaEvolve：谷歌数据中心 / 芯片设计已经用上

AlphaEvolve 是啥？按照官方介绍，这是个 LLM 驱动的进化编码 Agent，用于通用算法的发现与优化。

它包括三个部分：

大模型：综合有关问题的信息以及以前解决问题的尝试，并提出新版本的算法；

自动评估器：验证、运行和评分所提出的算法。

进化框架：迭代改进所发现的最佳算法，并重新组合不同解决方案的想法，以找到更好的算法。

值得一提的是，这里的大模型是一系列大模型。

比如主打速度和效率 Gemini Flash 能够最大限度地拓展探索的思路广度；而性能更强的 Gemini Pro 则能够提供深刻的深度和富有洞察力的建议。这些模型共同构建了以代码形式实现算法解决方案的算法。

过去一段时间，AlphaEvolve 提升了谷歌数据中心、芯片设计和 AI 训练流程的效率，包括训练 AlphaEvolve 本身所依赖的大模型本身。它还帮助设计了更快的矩阵乘法算法，并找到了解决开放性数学问题的新方法，展现出在众多领域应用的巨大潜力。

具体来看。

优化计算生态系统。

过去一年，他们将 AlphaEvolve 发现的算法部署到了谷歌整个计算生态系统中，包括数据中心、硬件和软件。

改善数据中心调度。

AlphaEvolve 发现了一种简单且有效方法，可以帮助 Borg 更高效地协调谷歌庞大的数据中心。

（Borg 是一种集群管理器，它运行着来自数千个不同应用程序的数十万个作业，这些作业分布在多个集群中，每个集群最多包含数万台机器。）

该解决方案已投入生产超过一年，平均持续恢复谷歌全球 0.7% 的计算资源。这种持续的效率提升意味着，在任何特定时刻，相同的计算资源占用空间可以完成更多任务。

除此之外，它还带来了一些操作上面的优化：可解释性、可调试性、可预测性和易于部署性。

协调硬件设计。

AlphaEvolve 提出了一个 Verilog 重写方案，删除了矩阵乘法关键算术电路中高度优化的、不必要的位。

至关重要的是，该方案必须通过稳健的验证方法，以确认修改后的电路保持功能正确性。该方案已被集成到即将推出的 TPU 中。

增强 AI 训练和推理。

除此之外，AlphaEvolve 还加速了 Gemini 的性能和速度。

通过找到将大型矩阵乘法运算划分为更易于管理的子问题的更智能方法，AlphaEvolve 将 Gemini 架构中的这一重要内核加速了 23%，从而将 Gemini 的训练时间缩短了 1%。

除了性能提升，AlphaEvolve 还大大减少了内核优化所需的工程时间，从专家数周的努力缩短到自动实验的数天，使研究人员能够更快地进行创新。

AlphaEvolve 还能优化低级 GPU 指令。AlphaEvolve 对基于 Transformer 的 FlashAttention 内核实现了高达 32.5% 的提速。这种优化可以帮助专家找出性能瓶颈，并轻松地将改进措施纳入代码库，从而提高他们的工作效率，并在未来节省计算和能源。

推进数学和算法发现的前沿。

基于计算机程序的极简代码框架，它设计了一种基于梯度的新型优化程序的诸多组件，发现了矩阵乘法的多种新算法。

比如，它发现了一种使用 48 次标量乘法来对 4x4 复值矩阵进行乘法运算的算法，改进了 Strassen 于 1969 年提出的算法，该算法此前被认为是此类算法中的最佳算法。

与之前的 AlphaTensor 相比，后者专注于矩阵乘法算法，对于 4x4 矩阵，仅发现了二进制运算的改进。

他们还将该系统应用于数学分析、几何学、组合学和数论领域的 50 多个未解决的问题。

在大约 75% 的案例中，它能够重新发现最先进的解决方案。在 20% 的案例中，它改进了之前已知的最佳解决方案。

陶哲轩与 DeepMind 合作

2023 年，他们的 FunSearch 首次证明大型语言模型可以生成用计算机代码编写的函数，如今在这基础之上，已经展现出解决通用算法 / 数学问题的潜力。

从团队上看也新增了不少合作者，谷歌之前的顶尖科学家，比如就有陶哲轩。

他们还与 People+AI 团队一起建立了个用户友好的交互界面。

虽然 AlphaEvolve 目前正被应用于数学和计算机领域，但其通用性意味着它可以应用于任何问题，其解决方案可以被描述为算法并自动验证。

但他们相信，AlphaEvolve 可以在材料科学、药物发现、可持续发展以及更广泛的技术和商业应用等更多领域带来变革。

白皮书：

https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/AlphaEvolve.pdf

参考链接：

[ 1 ] https://mathstodon.xyz/@tao/114508029896631083

[ 2 ] https://deepmind.google/discover/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

[ 3 ] https://x.com/GoogleDeepMind/status/1922669325283942539

—  完  —

 量子位 AI 主题策划正在征集中！欢迎参与专题365 行 AI 落地方案，一千零一个 AI 应用，或与我们分享你在寻找的 AI 产品，或发现的AI 新动向。

也欢迎你加入量子位每日 AI 交流群，一起来畅聊 AI 吧～

一键关注 点亮星标

科技前沿进展每日见

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！