谷歌DeepMind利用聊天机器人模型成功解决了数学和计算机科学领域的重大难题。据《自然》报道，5月14日，DeepMind推出能够自主生成、改进算法代码的通用科学人工智能（AI）系统AlphaEvolve。该系统将大型语言模型（LLM）的创造力与能够审查模型建议的算法相结合，通过不断筛选和改进解决方案，最终实现突破。目前，该系统仅在谷歌内部使用。

AlphaEvolve协助改进了AI芯片设计。图片来源：Christian Ohde/IMAGO via Alamy

  ?

DeepMind伦敦科学部门负责人Pushmeet Kohli透露，除了应用AlphaEvolve解决开放数学问题外，公司已将其用于应对实际挑战——AlphaEvolve协助改进了公司下一代张量处理单元（专为AI设计的计算芯片）的设计，并找到更高效利用谷歌全球计算资源的方法，节省了总资源的0.7%。

德国马克斯·普朗克光科学研究所AI科学家实验室负责人Mario Krenn Krenn指出，迄今，AI在科学领域的大多数成功应用，都采用针对特定任务定制开发的算法。但AlphaEvolve作为通用科学AI系统，通过调用LLM生成代码的能力，解决了跨多个学科的问题。

因涉及交互式AI模型的协同工作，DeepMind将AlphaEvolve定义为“智能体”。与许多其他专注于文献综述和假设生成的“智能体”不同，AlphaEvolve的定位聚焦于科研流程的关键环节。

用户输入问题、评估标准和建议方案后，LLM会产生数百至数千个改进方案，随后“评估者”算法会根据优质解决方案的指标对这些改进方案进行评判。DeepMind的AI科学家、该研究联合负责人Matej Balog说，基于对最优解决方案的判断，LLM会提出新思路，AlphaEvolve则能逐步进化出更强大的算法，探索解决问题的各种可能性。

AlphaEvolve建立在公司2023年公布的FunSearch系统基础之上，后者曾通过类似进化方法在未解数学问题上超越人类表现。Balog表示，与FunSearch相比，AlphaEvolve能处理更大规模的代码，应对跨科学领域更复杂的算法问题。

DeepMind称，AlphaEvolve提出的矩阵乘法计算方法，在某些情况下比德国数学家Volker Strassen于1969年提出的最快已知方法更高效。这类涉及网格数字运算的计算被广泛应用于神经网络训练。尽管作为通用系统，AlphaEvolve在矩阵运算方面仍超越了公司2022年专为此设计的AI工具AlphaTensor。

英国牛津大学数学家兼AI研究员Simon Frieder认为，在数学领域，AlphaEvolve似乎显著加速了某些问题的解决进程。但该系统可能仅适用于“能通过代码呈现的狭窄领域”问题。

在更广泛科研群体试用之前，美国俄亥俄州立大学AI研究员Huan Sun对AlphaEvolve的实际效用持保留态度。Frieder也指出，他将等待开源版本的出现，而非依赖DeepMind可能随时调整的专有系统。

尽管AlphaEvolve运行所需的计算资源少于AlphaTensor，但Kohli表示其仍过于耗能，无法在DeepMind服务器上免费开放。不过公司希望通过公布该系统来激发科研界提出更多应用方向。“我们致力于确保科学界最大范围获取这项技术。”Kohli强调。