去年，谷歌的AlphaFold3在生物分子序列預測準確度上刷新大家對AI科研的認知。

最近，又有一群頂尖數學家、科學家參與到谷歌DeepMind的AI智能體AlphaEvolve研發過程中，包括華裔數學天才陶哲軒在內。

陶哲軒為這個項目提出了許多高質量的開放性數學問題用于訓練智能體。

(注：陶哲軒，被譽為“數學界的莫扎特”，在31歲時榮獲菲爾茲獎，因證明存在任意長的素數等差數列、解決埃爾德什差異問題及在調和分析等領域的突破性貢獻而聞名。)

以往AI模型和智能體的研發過程，通常是由工程師先從互聯網獲取海量質量一般的數據，進行數據清洗再訓練。

而這一次，數學家和科學家加入并且提供專業數據和建議，可能預示著AI模型和智能體的智能正在從普通人級別向專家級的更深層次進化。

2025年6月，谷歌DeepMind團隊發表論文AlphaEvolve: A coding agent for scientific and algorithmic discovery。研究展示了一個能夠自主編程并不斷進化的AI智能體AlphaEvolve，這個智能體已經在數學難題、機器學習、硬件設計等多個重要領域取得了突破性進展。

設想有這樣一位特殊的科學家：它永遠不知疲倦，能夠同時掌握數學、計算機科學和工程學的所有知識，更重要的是，它還能自己編寫和改進代碼來解決問題。當遇到困難時，它不會放棄，而是會像生物進化一樣，不斷嘗試新的方法，保留有效的改進，淘汰無用的嘗試，最終找到比人類更好的解決方案。這就是谷歌DeepMind最新發布的AlphaEvolve智能體。

AlphaEvolve最令人震撼的成就是在矩陣乘法這個基礎數學問題上取得了56年來的首次突破。自1969年德國數學家Strassen提出著名的矩陣乘法算法以來，這個看似簡單卻極其重要的計算問題一直沒有得到根本性改進。AlphaEvolve通過自己編寫和進化代碼，找到了一種新的4×4矩陣乘法算法，只需要48次標量乘法運算，比Strassen算法減少了一次運算。聽起來改進很小，但在計算機科學中，這種基礎操作的任何優化都會產生巨大的連鎖效應。

除了數學突破，AlphaEvolve還在谷歌自己的計算基礎設施上發揮了實際作用。它為谷歌的數據中心設計了更高效的任務調度算法，找到了硬件加速器電路設計的簡化方案，甚至加速了支撐AlphaEvolve自身的大語言模型的訓練過程。更有趣的是，它還在50多個數學難題上進行了挑戰，其中75%達到了已知最佳水平，20%超越了現有最好成果。

進化編程的魔法：讓AI像生物一樣自我改良

要理解AlphaEvolve的工作原理，我們可以把它想象成一個永不停歇的生物實驗室。在這個實驗室里，不是在培養細胞或細菌，而是在培養各種不同的計算機程序。每個程序就像一個獨特的生物體，具有自己的"基因"（代碼結構）和"能力"（解決問題的效果）。

傳統的編程方式就像手工制作每一件工藝品，程序員需要仔細思考每一行代碼的作用，精心設計程序的邏輯結構。這種方式雖然精確，但受限于人類的認知能力和創造力。而AlphaEvolve采用的是完全不同的策略，它模仿生物進化的過程，讓程序自己"繁殖"和"變異"。

具體來說，AlphaEvolve首先從一個簡單的初始程序開始，這個程序可能功能很基本，效果也不算好，就像進化初期的簡單生物一樣。然后，系統會創建這個程序的許多變種，每個變種都有一些隨機的改動，就像生物繁殖時的基因突變。接下來是關鍵的淘汰環節：系統會測試每個變種程序的表現，保留那些效果更好的版本，淘汰表現較差的。這個過程不斷重復，效果好的程序會繼續"繁殖"出新的變種，效果差的則被自然淘汰。

經過成千上萬代的演化后，最終存活下來的程序往往具有人類程序員從未想過的巧妙設計。這些程序可能使用了非常規的算法結構，或者以意想不到的方式組合不同的計算方法，就像自然界中許多生物的精巧結構是人類工程師難以設計出來的一樣。

AlphaEvolve的獨特之處在于，它不只是改進程序的某個小部分，而是可以對整個代碼文件進行全面改造。它可以修改程序的核心算法、調整參數設置、重新組織代碼結構，甚至添加全新的功能模塊。這種全方位的進化能力使得它能夠發現那些只有通過大幅改動才能實現的優化方案。

整個進化過程由一個智能的管理員來協調，這個管理員實際上是一套復雜的大語言模型。它負責生成新的代碼變種，就像控制生物變異的遺傳機制一樣。當需要對現有程序進行改進時，這個管理員會分析程序的當前狀態、歷史表現和可能的改進方向，然后生成針對性的修改建議。這些建議不是隨機的胡亂改動，而是基于對編程最佳實踐和問題特性的深度理解。

為了確保進化過程的有效性，AlphaEvolve還設計了一套精密的評估體系。每個新生成的程序都會在嚴格的測試環境中接受評估，系統會從多個角度考察程序的表現：不僅要看最終結果是否正確，還要考慮運行效率、資源消耗、穩定性等多個指標。只有在所有方面都表現出色的程序才能獲得繼續進化的機會。

這種進化機制的另一個巧妙之處是它具有學習記憶功能。系統會記錄每次成功改進的模式和策略，在后續的進化過程中優先嘗試那些曾經證明有效的改進方向。這就像生物進化中的適應性學習，成功的特征會在后代中得到強化和傳播。

算法考古學：重新定義矩陣計算的基礎法則

矩陣乘法聽起來像是大學數學課上的抽象概念，但實際上它是現代數字世界的基石之一。當你在手機上看視頻、使用AI聊天軟件、玩3D游戲，或者讓語音助手理解你的話時，背后都有大量的矩陣計算在默默運行?？梢哉f，如果把現代計算機比作一座巨大的工廠，那么矩陣乘法就像是這座工廠最基礎的生產線，任何效率提升都會帶來整個工廠產能的飛躍。

1969年，德國數學家Strassen提出了一個劃時代的發現。在此之前，人們計算兩個矩陣相乘時采用的是最直觀的方法，就像手工計算乘法表一樣，需要進行大量的逐個相乘和相加操作。對于兩個2×2的小矩陣，傳統方法需要8次乘法運算。Strassen通過巧妙的數學技巧，將這個數字減少到了7次，這個看似微小的改進實際上具有革命性的意義。

Strassen算法的核心思想是通過重新組織計算步驟來減少乘法操作的次數。就像一個聰明的廚師會預處理食材來簡化烹飪過程一樣，Strassen通過預先計算一些中間結果，然后巧妙地組合這些結果來得到最終答案。這種方法的威力隨著矩陣規模的增大而變得更加明顯。當處理更大的矩陣時，可以遞歸地應用這個算法，從而獲得比傳統方法快得多的計算速度。

自Strassen算法問世以來的56年里，數學家和計算機科學家一直在尋找更好的矩陣乘法算法。這個問題被認為是計算復雜性理論中最重要的開放問題之一。許多聰明的頭腦嘗試過各種創新方法，但都沒有能夠在實用性和效率之間找到比Strassen更好的平衡點。一些理論上更優的算法存在，但它們要么只在極大的矩陣上才顯示出優勢，要么計算過程過于復雜，實際應用價值有限。

AlphaEvolve面對這個挑戰時采用了一種全新的策略。它不是從理論推導開始，而是讓程序自己去探索可能的計算路徑。系統從一個基礎的矩陣乘法實現開始，然后不斷嘗試各種可能的優化方向：調整算法參數、修改計算順序、引入新的中間變量、改變數值精度控制等等。

在探索4×4矩陣乘法的過程中，AlphaEvolve發現了一種只需要48次標量乘法的新算法，比Strassen遞歸算法的49次減少了一次。這個發現的意義遠超表面上的數字改進。首先，它證明了經典算法仍有改進空間，打破了該領域多年的沉寂。其次，這個新算法適用于復數矩陣，擴展了應用范圍。最重要的是，它展示了AI智能體在數學發現方面的巨大潛力。

AlphaEvolve在矩陣乘法方面的成就不止于此。它系統性地改進了14種不同規模的矩陣乘法算法，涉及從2×2到5×5的各種矩陣大小。對于每種情況，系統都能找到與已知最佳結果相當或更優的算法。這種全方位的突破表明，AlphaEvolve發現的不是偶然的個例，而是一套系統性的優化方法。

特別值得注意的是，AlphaEvolve發現的算法不僅在理論上更優，而且在實際應用中也表現出色。這些算法已經被集成到實際的計算系統中，為機器學習訓練、科學計算和圖形處理等應用帶來了實際的性能提升。這證明了AI發現的算法不僅具有學術價值，更有直接的實用意義。

數學奧秘的AI探險家：挑戰半個世紀的未解難題

AlphaEvolve在數學領域的表現就像一位永不疲倦的探險家，專門尋找那些困擾數學家多年的難題并嘗試解決它們。研究團隊精心挑選了50多個來自不同數學分支的開放性問題，這些問題有一個共同特點：它們都需要找到具有特定優美性質的數學對象或構造。

這些數學問題的特殊之處在于，它們不是要證明某個定理或推導某個公式，而是要構造出滿足特定條件的具體例子。就像建筑師要設計一座既美觀又實用的建筑一樣，數學家需要構造出既滿足數學約束又具有最優性質的數學結構。這類問題特別適合AlphaEvolve的進化方法，因為系統可以生成大量候選構造，然后通過自動評估來篩選出最優的結果。

在組合數學領域，AlphaEvolve解決了Erd?s最小重疊問題的一個變種。這個問題源于匈牙利傳奇數學家保羅·Erd?s在1955年提出的一個看似簡單的幾何問題：如何在平面上放置兩個函數，使得它們的重疊區域盡可能小，同時保持某些數學性質。這個問題雖然表述簡單，但蘊含著深刻的數學內涵，與數論、分析學和幾何學都有密切聯系。幾十年來，數學家們不斷改進這個問題的界限，但每一次微小的改進都需要巧妙的構造和精密的計算。AlphaEvolve通過系統性的搜索找到了新的構造，將最優界限從0.380927改進到了0.380924，雖然改進幅度很小，但在這個研究了近70年的問題上，任何進展都是珍貴的。

在幾何學的球體打包問題上，AlphaEvolve也取得了突破。十一維空間中的接吻數問題詢問最多能有多少個相同大小的球體同時接觸一個中心球體而互不重疊。這個問題在低維空間中已經得到完全解決，但隨著維度增加，問題變得極其復雜。在十一維空間中，之前的最佳結果是592個球體，AlphaEvolve找到了一種新的排列方式，成功放置了593個球體，創造了新的紀錄。這個成就不僅提升了數學界對高維幾何的理解，也為材料科學和信息理論中的相關應用提供了新的理論基礎。

在分析學領域，AlphaEvolve改進了幾個與傅里葉分析相關的不等式。這些不等式描述了函數及其傅里葉變換之間的關系，在信號處理、量子力學和偏微分方程理論中都有重要應用。通過構造新的測試函數，AlphaEvolve改進了幾個重要不等式的最優常數，為相關理論提供了更精確的工具。

AlphaEvolve解決這些數學問題的方法體現了其獨特的優勢。傳統上，數學家解決這類構造性問題時主要依靠直覺、經驗和理論洞察。他們可能會花費數月甚至數年時間來尋找合適的構造，過程中需要大量的試錯和計算驗證。AlphaEvolve則能夠系統性地探索巨大的可能性空間，在相對較短的時間內嘗試千萬種不同的構造，并通過精確的數值計算來評估每種構造的優劣。

更重要的是，AlphaEvolve發現的解決方案往往具有意想不到的結構。許多情況下，AI找到的最優構造使用了人類數學家不會優先考慮的方法或模式。這不僅提供了新的具體結果，還為數學家提供了新的研究方向和啟發。例如，在某些幾何打包問題中，AlphaEvolve發現的最優配置具有一些非顯然的對稱性，這些對稱性可能為理論分析提供新的切入點。

谷歌基礎設施的AI優化師：從數據中心到芯片設計

AlphaEvolve的實用性不僅體現在解決抽象的數學問題上，更重要的是它已經在谷歌的實際業務中發揮了重要作用。谷歌作為全球最大的互聯網公司之一，運營著龐大的計算基礎設施，任何微小的效率提升都會產生巨大的經濟和環境效益。AlphaEvolve在四個關鍵的基礎設施層面都實現了實際的性能改進。

在數據中心調度方面，AlphaEvolve面對的是一個極其復雜的優化問題。谷歌的數據中心每天要處理數百萬個計算任務，這些任務的類型、規模和資源需求都不相同。如何合理地將這些任務分配到成千上萬臺服務器上，是一個涉及多重約束和目標的復雜決策問題。就像一個超級復雜的拼圖游戲，每個任務都是一個形狀獨特的拼圖片，而服務器就是拼圖板上的空間，目標是讓所有拼圖片都能完美匹配，同時最大化整體利用率。

傳統的調度算法通?；谝恍﹩l式規則，比如優先分配給負載較輕的服務器，或者根據任務的緊急程度來確定優先級。這些規則雖然能夠工作，但往往無法充分利用服務器的多維資源（CPU、內存、存儲、網絡帶寬等）。一個常見的問題是資源孤島：一臺服務器的CPU已經滿負荷，但內存還有大量空閑，而另一臺服務器的情況可能正好相反。這種不匹配導致了資源浪費。

AlphaEvolve通過進化算法發現了一個簡潔而有效的調度策略。新算法考慮了任務對不同資源的需求比例，以及服務器當前的資源剩余情況，然后計算一個綜合評分來指導分配決策。令人驚訝的是，這個由AI發現的算法非常簡單，只有幾行代碼，但其效果卻顯著超過了人工設計的復雜算法。部署后，這個新算法持續為谷歌全球數據中心節省了0.7%的計算資源，這個看似微小的改進實際上相當于節省了數千臺服務器的計算能力。

在機器學習訓練優化方面，AlphaEvolve專注于提升Gemini模型訓練過程中的矩陣乘法效率。大型語言模型的訓練需要進行大量的矩陣運算，而矩陣乘法的效率直接影響訓練速度和成本。這里的挑戰是如何為特定的硬件和矩陣規模找到最優的計算策略。

傳統上，這類優化需要資深的性能工程師花費數月時間手工調試各種參數配置。AlphaEvolve則能夠自動探索不同的優化策略，包括內存訪問模式、計算分塊方式、并行化策略等多個維度。通過在真實的TPU硬件上運行大量實驗，系統最終發現了一套優化配置，使相關矩陣運算的平均速度提升了23%，并將Gemini的整體訓練時間縮短了1%?？紤]到訓練一個大型語言模型需要數萬小時的計算時間，1%的改進意味著節省了數百小時的昂貴計算資源。

在硬件設計層面，AlphaEvolve參與了谷歌TPU芯片的電路優化。TPU是谷歌專門為機器學習設計的專用芯片，其中的算術單元需要在保證計算精度的同時最小化功耗和芯片面積。這是一個需要深厚硬件設計經驗的專業領域，傳統上需要工程師手工分析電路邏輯并進行優化。

AlphaEvolve通過分析TPU中矩陣乘法單元的Verilog代碼，發現了一處可以簡化的電路邏輯。雖然這個改進看起來很簡單，只是去除了一些冗余的位操作，但它體現了AI系統在硬件優化方面的潛力。更重要的是，這個優化已經被集成到即將發布的新一代TPU中，成為Gemini對其自身硬件平臺的首次直接貢獻。

在編譯器優化方面，AlphaEvolve挑戰了一個特別困難的任務：直接優化編譯器生成的中間代碼。這種代碼是編譯器在將高級程序語言轉換為機器碼過程中產生的中間表示，通常不是為人類閱讀設計的，而且已經經過了編譯器的多輪優化。在這種代碼上找到進一步的優化空間極其困難。

AlphaEvolve專注于優化FlashAttention這個在Transformer模型中至關重要的計算核心。通過對中間代碼的系統性分析和修改，系統發現了兩個層面的優化機會：首先是核心計算部分的算法改進，實現了32%的速度提升；其次是輸入輸出預處理部分的優化，獲得了15%的性能改進。這些優化已經被應用到實際的推理系統中，為谷歌的AI服務提供了直接的性能提升。

AI編程進化的秘密武器：大模型協作與自我改進機制

AlphaEvolve的核心技術架構體現了現代AI系統設計的精髓：將多個專門化的組件協調工作，形成一個比單個部分更強大的整體系統。這種設計理念類似于一個高效的科研團隊，每個成員都有自己的專長，通過密切協作來解決復雜問題。

系統的大腦是一個由多個大語言模型組成的智能集群。這個集群包括了兩種不同特性的模型：Gemini 2.0 Flash和Gemini 2.0 Pro。Flash版本就像團隊中的快手成員，雖然思考深度相對有限，但反應速度極快，能夠在短時間內生成大量的改進建議。Pro版本則像團隊中的深度思考者，雖然思考時間較長，但能夠提出更加精妙和突破性的解決方案。這種搭配策略確保了系統既能保持高效的探索速度，又不會錯過需要深度洞察才能發現的優化機會。

在代碼生成和修改方面，AlphaEvolve采用了一種類似于代碼審查的工作模式。當系統需要改進某個程序時，它不會簡單地隨機修改代碼，而是會分析當前程序的結構、歷史表現和可能的改進方向?；谶@種分析，語言模型會生成具體的修改建議，這些建議以標準的代碼差異格式呈現，就像程序員在代碼倉庫中提交更改一樣。

這種代碼修改方式的巧妙之處在于它的精確性和可控性。系統可以同時修改程序的多個部分，包括核心算法邏輯、參數配置、輔助函數等，而且每個修改都有明確的指向性。這種能力使得AlphaEvolve能夠進行大規模的程序重構，發現那些需要多個協調改動才能實現的優化方案。

為了確保進化過程的質量，AlphaEvolve設計了一套多層次的評估機制。這套機制的核心是一個自動化的測試框架，能夠從多個維度評估程序的表現。對于數學問題，評估重點是計算結果的正確性和優化目標的達成度；對于工程應用，評估還包括運行效率、資源消耗、穩定性等實用指標。

特別值得注意的是，AlphaEvolve具有強大的上下文學習能力。系統會維護一個詳細的進化歷史檔案，記錄每次成功改進的模式、失敗嘗試的教訓，以及不同類型問題的有效解決策略。這個檔案不僅用于指導當前的進化過程，還能夠在處理新問題時提供有價值的參考。這種學習機制使得系統能夠在處理相似問題時表現出明顯的效率提升。

在提示工程方面，AlphaEvolve采用了一種自我優化的策略。系統不僅進化目標程序，還會進化用于指導程序生成的提示語。這種元層面的優化確保了系統能夠持續改進自己的思考方式，發現更有效的問題解決策略。

系統的分布式執行架構專門針對大規模并行計算進行了優化。由于進化過程需要評估大量的候選程序，而每個程序的評估可能需要數小時的計算時間，因此高效的并行化至關重要。AlphaEvolve采用異步計算模式，能夠同時運行數百個獨立的進化實驗，大大加速了整個發現過程。

為了保證所有發現的可靠性，AlphaEvolve還集成了嚴格的驗證機制。對于數學問題，系統會使用多種獨立的方法驗證結果的正確性；對于工程應用，會在多種不同的環境和配置下測試改進的效果。只有通過所有驗證測試的結果才會被認為是有效的發現。

從理論到實踐：AI科學發現的未來圖景

AlphaEvolve的成功標志著人工智能在科學發現領域邁出了重要一步，但同時也揭示了這種方法的局限性和未來發展方向。研究團隊在論文中坦誠地討論了當前系統的約束條件和改進空間，為未來的研究指明了方向。

當前AlphaEvolve最主要的限制是它依賴于自動化評估。系統只能處理那些可以通過計算機程序精確評估解決方案質量的問題。這個要求排除了許多重要的科學研究領域，比如需要實物實驗驗證的材料科學問題，或者需要人類專家主觀判斷的社會科學研究。然而，這個限制在數學、計算機科學和工程優化等領域并不構成障礙，因為這些領域的很多問題都具有明確的數學定義和客觀的評價標準。

在計算資源方面，AlphaEvolve展現出了令人印象深刻的效率。與其前身FunSearch相比，新系統在使用更少語言模型采樣的情況下達到了更好的效果。這種效率提升主要來自于更精準的搜索策略和更豐富的上下文信息。系統能夠從歷史經驗中學習，避免重復那些已經證明無效的探索方向，從而將計算資源集中在最有希望的改進路徑上。

研究團隊進行的詳細對比實驗揭示了系統各個組件的重要性。結果顯示，進化機制、豐富的上下文信息、強大的語言模型、多目標優化能力等每個特性都對最終效果有顯著貢獻。特別是使用最新一代大語言模型帶來的改進最為明顯，這表明隨著語言模型能力的持續提升，AlphaEvolve類似的系統也會獲得相應的性能提升。

在實際應用的擴散方面，AlphaEvolve的影響已經超出了谷歌內部。矩陣乘法算法的改進為整個計算機科學界提供了新的研究方向，數學界的發現為相關理論提供了新的例證和啟發。更重要的是，這種AI輔助科學發現的方法論為其他研究機構和公司提供了可以借鑒的框架。

從技術演進的角度看，AlphaEvolve代表了AI系統從被動工具向主動發現者的重要轉變。過去，AI主要用于加速已知方法的執行或協助人類進行數據分析，而現在AI開始具備獨立發現新知識的能力。這種轉變的意義不僅在于解決了具體問題，更在于展示了AI在科學研究中的新角色。

研究團隊特別強調了一個有趣的自反饋循環：AlphaEvolve發現的優化方法正在被用來改進支撐AlphaEvolve自身的計算基礎設施。這種自我改進機制雖然目前效果有限，但暗示了未來AI系統可能具備的自我演化能力。隨著這種循環的不斷進行，我們可能會看到AI系統的能力出現加速提升。

在科學方法論方面，AlphaEvolve提出了一種新的研究范式。傳統科學研究通常遵循"假設-實驗-驗證"的線性流程，而AI驅動的發現更像是"大規模并行探索-模式識別-知識提取"的過程。這種方法特別適合那些解空間巨大、人類直覺難以覆蓋的問題。它不是要替代傳統的科學方法，而是為科學家提供了一種強有力的補充工具。

從更宏觀的角度來看，AlphaEvolve的成功驗證了一個重要觀點：當前的AI技術已經具備了在某些領域進行原創性科學發現的能力。這不僅僅是計算能力的勝利，更是AI系統在創造性思維方面的突破。系統能夠發現人類專家沒有想到的解決方案，這表明AI已經開始展現出真正的創新能力。

至頂AI實驗室洞見

AlphaEvolve正在解決很多真實的科研問題，而不只停留在AI科研的概念層面。

在技術發展方向上，未來的AI科學發現系統可能會具備更強的跨領域整合能力。當前的AlphaEvolve主要專注于單一領域的問題，但科學研究中的許多重大突破往往來自于不同領域知識的交叉融合。未來的系統可能能夠同時掌握物理學、化學、生物學、數學等多個領域的知識，并在它們的交匯處發現新的機會。

在人機協作模式方面，AI科學發現系統的發展將推動科學研究工作方式的根本變革。未來的科學家可能會更多地扮演問題定義者和結果解釋者的角色，而將繁重的探索工作交給AI系統。這種協作模式將使人類科學家能夠專注于那些最需要創造力和直覺的工作，而讓AI承擔大量的計算密集型探索任務。

在科學教育方面，AlphaEvolve這樣的系統也將帶來深刻影響。當AI能夠在數學和科學問題上表現出超人的能力時，傳統的科學教育模式可能需要重新思考。未來的科學教育可能更加重視培養學生與AI協作的能力，以及那些AI暫時無法替代的創造性思維和跨領域洞察力。

在更廣泛的社會影響層面，AI科學發現的普及可能會加速整個科學研究的進程。當越來越多的研究機構能夠使用類似AlphaEvolve的工具時，科學發現的速度可能會出現指數級增長。這種加速可能會在氣候變化、疾病治療、能源技術等關鍵領域產生突破性進展，為人類面臨的重大挑戰提供解決方案。

AlphaEvolve的出現，說明我們正站在一個歷史性的轉折點上。AI不再只是科學研究的工具，而正在成為科學發現的參與者。人類的好奇心和AI的計算能力將攜手合作，共同探索宇宙的奧秘，推動知識的邊界不斷擴展。

論文地址：https://www.arxiv.org/abs/2506.13131

本文來自至頂AI實驗室，一個專注于探索生成式AI前沿技術及其應用的實驗室。致力于推動生成式AI在各個領域的創新與突破，挖掘其潛在的應用場景，為企業和個人提供切實可行的解決方案。

Q&A

Q：AlphaEvolve在矩陣乘法領域取得了什么突破？

A：AlphaEvolve通過自主編程和進化，發現了一種新的4×4矩陣乘法算法，僅需48次標量乘法運算，比1969年Strassen算法的49次減少了一次。這是56年來該領域的首次突破，并在14種不同規模的矩陣乘法中實現了系統性優化。

Q：AlphaEvolve如何解決數學難題？

A：AlphaEvolve采用類似生物進化的方法，通過生成大量程序變體，篩選表現最優的解決方案。它成功解決了50多個數學難題，包括Erd?s最小重疊問題和十一維球體打包問題，其中20%的成果超越了人類已知的最佳結果。

Q：AlphaEvolve在谷歌的實際應用中發揮了哪些作用？

A：AlphaEvolve優化了谷歌數據中心的調度算法，節省了0.7%的計算資源；加速了Gemini模型的訓練，效率提升23%；改進了TPU芯片的電路設計，并優化了編譯器生成的中間代碼，為AI服務提供了直接性能提升。