導語

今日，Nature發文報道了 DeepMind 最新推出的通用科學人工智能體 AlphaEvolve。 AlphaEvolve 是在他們2013年提出的 FunSearch 系統基礎上發展而來。它不僅能在人類尚未解決的數學問題上超越人類，并且能夠處理更大規模的代碼，并在更多復雜算法和廣泛的科學領域具有普適性。AlphaEvolve 還幫助團隊改進了下一代張量處理單元，找到了更高效利用 Google 全球計算資源的方法。部分研究者表示有被 AlphaEvolve 的表現驚艷到，另有一部分學者則期待體驗開源版本來評估它的實際效用。

上海科學智能研究院、集智科學研究中心和阿里云聯合發布了《》，梳理出35個研究前沿，其中包括，專題對智能體在科學與計算領域的發展進行了回顧與展望，歡迎你來閱讀。

研究領域：AI，大語言模型

Elizabeth Gibney | 作者

彭晨

| 譯者

Nature news| 來源

圖 1. 白皮書封面

AlphaEvolve：用于科學與算法發現的通用AI智能體 https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/AlphaEvolve.pdf。

Google DeepMind 利用聊天機器人模型提出了解決數學和計算機科學重大難題的方案。這一名為 AlphaEvolve 的系統，將大語言模型（LLM）的創造力，與能夠評估模型輸出、篩選并優化解法的算法相結合。該系統在公司于 5 月 14 日發布的一份白皮書中進行了闡述。

“這篇論文相當驚艷，”德國埃朗根馬克斯·普朗克光學科學研究所人工科學家實驗室負責人 Mario Krenn 說，“我認為 AlphaEvolve 是基于通用型 LLM 實現新發現的首個成功示例。”倫敦 DeepMind 科學負責人 Pushmeet Kohli 表示，除了用該系統發現開放數學問題的解法外，DeepMind 已將這一人工智能技術應用于自身的實踐挑戰。

AlphaEvolve 幫助改進了公司下一代張量處理單元（TPU——專為 AI 研發的計算芯片）的設計，并找到了更高效利用 Google 全球計算資源的方法，節省了 0.7% 的整體資源。“它產生了顯著影響，”Kohli 說道。

圖 2. DeepMind公司稱，AlphaEvolve幫助改進了人工智能芯片的設計，但尚未對公司外部的研究人員開放。圖片來源：Christian Ohde/IMAGO via Alamy

通用目標的AI

迄今為止，AI 在科學領域的大多數成功應用，包括蛋白質設計工具 AlphaFold，都采用了為特定任務專門手工打造的學習算法，Krenn 說道。但 AlphaEvolve 是通用型的，它利用大語言模型（LLM）生成代碼的能力，在廣泛的領域中解決問題。

DeepMind 將 AlphaEvolve 稱為“智能體（agent）”，因為它涉及多個 AI 模型之間的交互。但它所針對的科學流程環節，與許多其他“智能體式”AI 科學系統不同，后者多用于文獻綜述和假說生成。

AlphaEvolve 構建于 DeepMind 自家的 Gemini 系列 LLM 之上。每項任務都由用戶輸入問題、評估標準和初步解法，LLM 隨后提出數百乃至數千種修改方案。然后，“評估器”算法根據優良解法的度量標準（例如，在分配 Google 計算任務時希望盡量減少資源浪費）對這些方案進行打分。DeepMind 的 AI 科學家、該研究的聯合負責人 Matej Balog 表示，LLM 會基于最優方案繼續提出新思路，隨著時間推移，系統就演化出一組更強大的算法。“我們探索了一系列多樣化的問題解決可能方案。”他如此描述。

圖 3. AlphaEvolve 發現流程。用戶提供初始程序（并在其中標記待迭代的部分）、評估代碼和可選配置。AlphaEvolve 隨即啟動進化循環。Prompt 采樣器從程序數據庫中抽取程序，構建豐富的提示。基于這些提示，LLM 生成代碼修改，并應用于創建新程序。然后，評估器對這些新程序進行打分，并將表現優異的解法重新注冊回程序數據庫，從而推動程序的迭代優化，發現更佳的解決方案。

Balog 指出，AlphaEvolve 是在公司 2023 年推出的 FunSearch 系統基礎上發展而來；后者曾用類似的進化方法在人類尚未解決的數學問題上超越人類。與 FunSearch 相比，AlphaEvolve 能處理更大規模的代碼，并在更多復雜算法和廣泛的科學領域中發揮作用。

DeepMind 表示，AlphaEvolve 還提出了一種矩陣乘法的計算方法，在某些情況下比 1969 年德國數學家 Volker Strassen 提出的最快算法更快。矩陣乘法是將數字按網格相乘，廣泛用于神經網絡訓練。盡管 AlphaEvolve 是通用性的，它在矩陣運算方面的表現仍優于 2022 年 DeepMind 專為矩陣運算設計的 AI 工具 AlphaTensor。這一方法可用于解決各類優化問題，或任何在科學中存在“具體度量”或“仿真評估”以判斷解法優劣的場景。這還可能包括新型顯微鏡、望遠鏡甚至材料的設計.

圖 4. 使用 AlphaEvolve 發現的打破最先進水平（SOTA）的數學構造示例。AlphaEvolve 的多功能性能夠解決：分析學中的自相關與不確定性不等式問題；幾何學中的填充與最小／最大距離問題；組合數學中的 Erd?s 最小重疊問題以及有限集的和與差問題。

應用：待向廣泛群體開放

牛津大學數學家兼 AI 研究員 Simon Frieder 表示，在數學領域，AlphaEvolve 似乎能顯著加速某些問題的解決。但他認為，它大概只會應用到那些可以“通過代碼來表述”的有限任務上。其他研究者則對該工具的真正效用持保留態度，認為要等到它在 DeepMind 以外的環境中經受考驗后才能下定論。“在系統被更廣泛的社區測試之前，我會保持懷疑，并對報道的結果持保留態度，”美國俄亥俄州立大學的 AI 研究員 Huan Sun 這樣說。Frieder 也表示，他會等到研究者們重現出一個開源版本，而不依賴可能隨時變動或下線的 DeepMind 專有系統。

DeepMind 科學主管 Pushmeet Kohli 說，盡管 AlphaEvolve 的運行算力需求低于 AlphaTensor，但它仍然過于耗費資源，不適合免費托管在 DeepMind 的服務器上。不過，DeepMind 希望通過發布這套系統，激勵研究者們提出更多可將 AlphaEvolve 應用于各種科學領域的想法。“我們非常希望讓科學界盡可能多的人都能使用到它，”Kohli 說道。

參考文獻

1. Romera-Paredes, B. et al.Nature625, 468–475 (2024).

2. Strassen, V. Numer. Math.13, 354–356 (1969).

3. Fawzi, A. et al.Nature610, 47–53 (2022).

關于集智俱樂部

集智俱樂部成立于 2003 年，是一個從事學術研究、享受科學樂趣的探索者的團體，也是國內最早的研究人工智能、復雜系統的科學社區。它倡導以平等開放的態度、科學實證的精神，進行跨學科的研究與交流，力圖搭建一個中國的 “ 沒有圍墻的研究所 ”。集智科學研究中心（民辦非營利企業）是集智俱樂部的運營主體，長期運營社區生態，催化理論創新。使命：營造跨學科探索小生境，催化復雜性科學新理論。

大語言模型與多智能體系統讀書會

集智俱樂部聯合西湖大學工學院特聘研究員趙世鈺、浙江大學教授任沁源、鵬城實驗室高級工程師崔金強，共同發起，探究大語言模型給機器人領域帶來的新思想新價值。讀書會已完結，現在報名可加入社群并解鎖回放視頻權限。

詳情請見：

1.

2.

3.

4.

5.

6.