DeepMind发布的新智能体，正在颠覆科研

罗辑思维 · 公众号 · 热门自媒体 · 2025-05-24 06:30

正文

一个更有意思的难题是把小的正六边形堆叠进一个大的正六边形里，问你最多能放几个。或者我们换个问法：如果你有11个边长为1的小正六边形，要把它们互不重叠地堆进一个大的正六边形中，这个大六边形的最小边长应该是多少？

之前人类数学家找到的最优解是边长3.943，而AlphaEvolve找出了一种新的堆叠方式，使边长缩小到了3.931。类似地，堆叠12个正六边形的情况下，原本的最优解是边长为4，AlphaEvolve通过一个不规则的堆叠法，把它降到了3.942。

咱们再看实际应用。AlphaEvolve为Google的大规模计算集群设计了一种全新的任务调度算法，节省了0.7%的算力资源。

它优化了Google的张量处理器（TPU）芯片的电路设计算法。TPU工程师已经进行了严格验证，确认结果有效，并且准备在下一次芯片设计中使用。

它还改进了Google自家AI模型Gemini的大规模矩阵运算算法，把关键内核加速了23%，最终使整体训练时间缩短了1%。你要知道训练大模型很费电，这1%也是很大一笔钱。

它给的算法步骤都很清晰，你是真能用上。

什么领域的问题都能做，做出来都能用，这难道不令人赞叹吗？

AlphaEvolve和AlphaGo走的是不同的路数

而AlphaEvolve给的算法都很独特，你不知道它思考的逻辑是什么。这种感觉就像当年AlphaGo跟李世石下围棋时，有个著名的「第37手」[2]，让人类棋手当时都无法理解，可是后来证明是致胜的一手……不过从技术上说，AlphaEvolve和AlphaGo走的是不同的路数。

AlphaGo靠的是强化学习，AlphaEvolve用的则是演化算法。这就如同自然界的生物演化：一代代筛选改进，最终“演化”出优秀的解。咱们就以4×4的矩阵乘法为例具体说说。

学过线性代数的都知道，两个4×4矩阵相乘，结果还是一个4×4矩阵——

其中答案矩阵的左上角第一个数，是第一个矩阵的第一行和第二个矩阵的第一列对应元素相乘再相加得到的，其中总共4次乘法……那么以此类推，要算出答案矩阵的16个数，你需要做4×16=64次乘法，对吧？

但是1969年，德国数学家斯特拉森（Volker Strassen）提出了一个优化算法，说只要做49次乘法就够了。他怎么算的我也不知道，总之有这么一个算法。那你说有没有更好的算法？过去了整整56年，人类都没能再进一步。

直到AlphaEvolve出手。