Компания Google DeepMind недавно выпустила прорывную технологию AlphaEvolve - новый искусственный интеллект, который не только автоматически пишет и оптимизирует алгоритмы, но и совершает важные научные открытия. В этой статье мы расскажем о работе этой революционной технологии, ее ключевых особенностях и практическом применении в различных областях.
AlphaEvolve: саморазвивающаяся платформа для поиска алгоритмов
Основу AlphaEvolve составляет универсальная платформа для поиска и оптимизации алгоритмов, основанная на больших языковых моделях (LLM), эволюционных алгоритмах и автоматических оценщиках. В отличие от традиционных инструментов кодирования на основе искусственного интеллекта, AlphaEvolve не только генерирует код, но и автоматически оценивает его эффективность, затем корректирует стратегию на основе результатов оценки и итеративно генерирует лучшие решения, по сути, имитируя процесс "естественной эволюции алгоритмов".
Фундаментальное отличие AlphaEvolve от предыдущих систем искусственного интеллекта:
| Характеристики компетенций | Альфа-код (2022) | AlphaTensor (2022) | AlphaEvolve (2025) |
|---|---|---|---|
| вход и выход | Естественный язык → программный код | Структурированные задачи → Алгоритм умножения | Обобщенные проблемы → проверяемые алгоритмы |
| логика реализации | Одноразовая генерация | Поиск структуры + подгонка модели | Генерация LLM + автоматическая оценка + эволюционная оптимизация |
| Механизмы оценки | Оценка человека или статическая оценка | Метрики производительности симулятора | Автоматическое динамическое управление + обратная связь по рейтингу |
| Область применения | Темы конкурсов по программированию и т.д. | Оптимизация умножения матриц | Программирование, алгоритмы, математика, оптимизация систем |
Что делает его уникальным:
- Человеку не нужно писать пошаговые планы оптимизации, он может автономно предлагать улучшения, самотестироваться и самосовершенствоваться
- Возможность изменять целые участки программного кода, а не только небольшие исправления функций
- Научится применять различные стратегии для решения разных задач, например, использовать алгоритмы поиска для сложных задач и конструктивные методы для структурированных задач
- Уже используется в крупномасштабной производственной среде Google, а не просто является лабораторной проверкой концепции.
Механизм работы и техническая архитектура AlphaEvolve
AlphaEvolve - это многокомпонентная, многоступенчатая комплексная система, содержащая следующие основные модули и рабочие процессы:
Компоненты и процессы системы
Общий рабочий процесс AlphaEvolve построен из нескольких модулей, работающих согласованно:
- входной каскад:: Пользователю предоставляется исходный программный код, определение оптимизируемой задачи и функция автоматической оценки (для измерения производительности кода, корректности вывода и т.д.).
- Состав основного модуля::
- Пробник подсказок: Объедините исторически успешные решения с контекстом задачи, чтобы создать сложные подсказки, которые поддерживают предоставленные человеком фоновые знания, формулы и фрагменты кода.
- Интеграция LLM (Ансамбль LLM): Используйте Gemini Flash для быстрой генерации большого количества кандидатов и Gemini Pro для глубокой оптимизации ключевых рекомендаций, чтобы совместно управлять процессом "эволюции".
- Автоматические оценщики (Evaluators): Автоматически запускает и оценивает производительность каждой программы, поддерживая многомерную оптимизацию, каскадную оценку и параллельное распределенное выполнение.
- База данных программ: Хранение исторических программ, оценок и модификаций для создания нового поколения подсказок, обеспечивая "генетическую память", подобную эволюции.
- эволюционный цикл::
- Выберите "родительскую программу" из базы данных и извлеките ее оптимальную структуру.
- Создание текущей задачи и контекста с помощью Prompt
- LLM генерирует новую разницу в коде (diff)
- Различия в применении формы "подпрограммы"
- Оценщик запускает и оценивает
- Если дочерняя программа превосходит родительскую, она добавляется в базу данных и переходит на следующий виток эволюции.
В ходе этого процесса эволюционирует не только сам код, но и метрики PROMPT и оценки, что позволяет оптимизировать поиск с высокой степенью адаптивности.
Раздвигая границы математики: научные достижения AlphaEvolve
AlphaEvolve совершила несколько прорывов в области математических и алгоритмических открытий, решив ряд открытых проблем, которые долгое время оставались нерешенными:
Инновационный алгоритм умножения матриц
Одним из самых заметных достижений AlphaEvolve стало открытие более эффективного алгоритма умножения комплексных матриц 4×4, чем алгоритм Штрассена 1969 года, который ранее считался оптимальным решением в этой области и требовал 49 умножений, а AlphaEvolve сократила его до 48, побив рекорд, который не улучшался 56 лет.
Прогресс в решении 300-летней геометрической головоломки
AlphaEvolve также совершила значительный прорыв в решении знаменитой проблемы "Целующихся чисел". Эта задача изучает, сколько единичных сфер в n-мерном пространстве могут быть касательными к центральной единичной сфере, не пересекаясь друг с другом в одно и то же время. В 11 измерениях AlphaEvolve обнаружила структуру, состоящую из 593 внешних сфер, что повышает предыдущую нижнюю границу в 592 и приближается к известной верхней границе в 868.
Кроме того, в ряде областей математики были достигнуты успехи в решении открытых проблем:
- Область аналитики: Улучшение известных оптимальных границ для нескольких задач с автокорреляционными неравенствами; небольшое улучшение верхних границ за счет оптимизации конструкции принципа неопределенности в Фурье-анализе.
- Комбинаторная математика и теория чисел: Установлена новая верхняя граница для задачи Эрдёса о минимальном перекрытии, превзошедшая предыдущий рекорд.
- Геометрия и задачи на укладку: Были достигнуты успехи в решении нескольких задач, включая оптимизацию соотношения максимального и минимального расстояния и оптимальное заполнение вложенных многоугольников.
Из более чем 50 открытых математических задач, протестированных командой DeepMind, AlphaEvolve обнаружила современные решения примерно в 751 TP3T задач и улучшила лучшие известные решения в 201 TP3T задач.
Стоит отметить, что медалист Филдса Тао Чжэсюань также принимал непосредственное участие в изучении математических приложений AlphaEvolve.
Повышение экологической эффективности Google: практическое применение и результаты
AlphaEvolve перешла от теоретических исследований к практическому применению, обеспечив значительное повышение эффективности в нескольких ключевых системах Google:
Оптимизация центров обработки данных
Эвристический алгоритм планирования для системы управления кластером Borg компании Google используется в производстве уже более года, постоянно отвоевывая около 0,7% вычислительных ресурсов. Алгоритм решает проблему "нехватки ресурсов" (например, когда заканчивается память, но процессор еще доступен) и генерирует простой и читаемый код, который легко отлаживать и внедрять инженерам.
Синергия разработки чипов искусственного интеллекта
AlphaEvolve предлагает решение для перезаписи на уровне Verilog схем матричного умножения в TPU Google, удаляя избыточные биты и сохраняя при этом функциональную корректность. Это предложение было включено в потоки проектирования микросхем будущего поколения и, как ожидается, приведет к значительной экономии площади микросхем и энергопотребления.
Ускорение обучения моделей искусственного интеллекта
Что касается обучения ИИ, AlphaEvolve также продемонстрировала потрясающие возможности оптимизации:
- Оптимизировано ядро умножения матриц при обучении модели Gemini, что позволило ускорить процесс на 231 TP3T и сократить общее время обучения на 11 TP3T
- Рефакторинг низкоуровневых инструкций GPU в ядре FlashAttention для ускорения на 32,5%
Эти оптимизации не только повышают производительность, но и значительно сокращают время, необходимое для оптимизации ядра, - от нескольких недель работы экспертов до нескольких дней автоматизированных экспериментов, что позволяет исследователям быстрее внедрять инновации.
Перспективы и последствия AlphaEvolve
Будучи платформой общего назначения для поиска и оптимизации алгоритмов, AlphaEvolve может найти применение далеко за пределами того, что было достигнуто до сих пор. Она представляет собой новую парадигму для научных открытий и разработки алгоритмов с помощью ИИ и, как ожидается, окажет далеко идущее влияние на многие другие области в будущем:
- Выход в более широкие научные областиХотя в настоящее время он используется в основном в математике и информатике, его универсальность означает, что он может быть применен к любому решению проблемы, которое может быть описано в виде алгоритма и автоматически проверено, включая материаловедение, открытие лекарств и так далее.
- Новая модель сотрудничества между ИИ и человеческими экспертамиAlphaEvolve предлагает новую модель сотрудничества между ИИ и экспертами, где ИИ отвечает за изучение большого количества возможностей и выработку инновационных решений, а эксперты-люди отвечают за проверку и понимание этих решений.
- Демократизация алгоритмической оптимизацииПо мере развития таких методов продвинутая алгоритмическая оптимизация может перестать быть уделом немногих специалистов, и все больше разработчиков и исследователей смогут использовать эти инструменты для повышения эффективности своей работы.
- Потенциальные экономические и экологические последствия: Только в одном центре обработки данных Google коэффициент использования ресурсов составил 0,71 TP3T, и если эта технология получит широкое распространение, она позволит сэкономить большое количество энергии и ресурсов в центрах обработки данных по всему миру.
AlphaEvolve уже открыт для раннего тестирования, причем не только для академических кругов, но и для пользователей из всех отраслей, желающих изучить сферу алгоритмической оптимизации, предвещая ее роль в более широком спектре прикладных сценариев.
Это знаменует собой новую веху в компьютерной науке - системы ИИ больше не просто инструменты, которые программируют люди, а партнеры, способные самостоятельно открывать и совершенствовать алгоритмы, что может вызвать революцию в программировании, как это сделал AlphaGo для игры Go.