陶哲轩看傻：三破18年数学纪录！谷歌AI爱迪生，科研不再靠灵感？

编辑：KingHZ

【新智元导读】在5月中旬，谷歌发布了AlphaEvolve。不仅30天内攻克了18年未解的难题，或将开启了一场无需「灵感」的科学革命：未来，科学家将不再依赖直觉，而是靠AI解决难题！

5月中旬，谷歌在科学和计算领域投下了重磅炸弹：AlphaEvolve。

利用Gemini模型，它发现全新的算法。

比如说，仅用30天，AlphaEvolve与人类联手三度攻克一项封尘18年的数学难题！对此，知名华人数学家陶哲轩略感惊讶。

不仅在计算机科学和数学取得重大进展，AI甚至可能影响到更广泛的科学领域。

它不仅仅是生成文本工具，更不是简单的模板生成器。它喻示了AI的无限可能，就像AlphaGo的「神之一手」，展现了人类从未做过的突破。

这甚至可能是迈向AI自我改进的一步。

在深度对话中，华人投资家Sarah Guo（郭睿）采访了谷歌DeepMind科学与战略副总裁Pushmeet Kohli（下图左），以及研究科学家Matej Balog（下图右）。

他们分享了AlphaEvolve的背后故事。 除了数学和计算机科学，他们也进一步畅想：AlphaEvolve背后的理念，是否还能颠覆更多基础科学领域？

AlphaEvolve证明靠智能取代「运气」，也能颠覆科学。 AlphaEvolve，或许正开启一场不靠「灵感」的科学革命。

AlphaEvolve：陶哲轩震惊的进步

DeepMind的使命是负责任地构建人工智能，造福人类。这些年来，DeepMind一直在科学领域寻找新算法。

AlphaEvolve有什么不一样？

Pushmeet Kohli认为区别可以从历史上来看。

一切从AlphaGo说起。

AlphaGo不仅能够高效地探索围棋的所有可能局面，而且能够提出当时最佳走法。在几十年的围棋历史中，人类都没有发现这种下法。

某种意义上，AlphaGo是AI智能体。在庞大的搜索空间中，它可以高效探索并提出最优解。这种能力让人们感到惊讶，因为围棋非常复杂，科学家们认为AI能够在这一领域取得突破还需要很长时间。

从AlphaGo的工作中，DeepMind得到启发：

如果AI能够如此高效地搜索围棋的所有可能局面，那么是否可以利用类似的思想去搜索算法空间呢？

这就是开始研发AlphaTensor工作的基础。

几十年来，人们认为矩阵乘法的复杂度是立方级别的。也就是说，如果你有两个矩阵，矩阵的维度是n，那么计算的时间复杂度是n³。

50多年前，德国数学家Strassen提出了一种非常反直觉的方法，证明了：实际上，矩阵乘法的复杂度比原来预想的要低。

通过搜索，AlphaTensor发现了比之前所知的算法更高效的解决方案。它不仅在效率上超越了传统算法，而且这个结果还证明了AI可以实现超人级别的突破。

但问题是，AlphaTensor专门针对矩阵乘法设计。那么，能否将这种方法推广到更一般的问题中呢？这就引出了对AlphaEvolve的进一步探索。

AlphaEvolve不仅能够处理特定的任务，它更具普适性，可以处理更广泛的问题。

AlphaEvolve利用了与AlphaTensor相似的进化算法。但它不再局限于矩阵乘法的特定问题，而是能够在更广泛的编程空间中搜索，提出解决方案。

不断进化，自我改进

听起来AlphaEvolve类似于进化选择对吧？它是如何进行每一代的改进的？

在每一代过程中，AlphaEvolve不断改进，每一代都基于上一代的强解进行优化。

通过基因池和评估函数，确保每一代的改进都能够提高整体的解的质量，同时保持了多样性，以便在庞大的搜索空间中发现最佳解决方案。

那这种进化过程的规模如何呢？如何控制模型的迭代次数？

关于这个问题，AlphaEvolve有一个很棒的特性，就是它能够适应问题的难度。

如果AlphaEvolve被要求解决一个相对简单的问题，它几乎能立即得到答案；但如果是一个非常复杂的问题，那么解决方案可能需要更长时间，更多的代次来不断改进。

但令人欣慰的是，AlphaEvolve可以持续改进，即使是在面对难度极大的问题时，它仍能不断提高。

这非常有价值，因为在持续优化时，许多传统的系统往往会在早期就遇到瓶颈，无法继续改进。

至于预测需要多少代才能达到最优解，这个问题比较复杂。问题的难度，无法预料，尤其是在科学领域，一些看似简单的问题实际上可能非常难，反之亦然。但幸运的是，只要持续运行AlphaEvolve，它会随着时间的推移不断得到更好的结果。

对编码智能体的意义

与一般的编码智能体相比，AlphaEvolve有何不同之处？

与一般的编码智能体相比，AlphaEvolve的优势在于它能够处理更复杂的任务，并且具有更高的效率和创造性。

在面对复杂或模糊的任务时，大多数通用编码智能体，容易陷入困境或产生错误，因为它们通常依赖于直接的任务说明，而这些说明往往不够精确，或者它们没有很强的判断能力。

而AlphaEvolve则依赖严格的评估函数。它能够区分有效的解决方案与无效的解决方案。

它的「创造性」不仅仅体现在提出新算法上，还表现在对解决方案进行有效评估和优化的能力上。

每当提出一个新解决方案时，评估函数会帮助判断它是否有效。

例如，在优化数据中心调度时，评估函数可能是一个模拟器，它能够根据给定的调度算法来判断该算法在现实中的表现如何。

这个评估过程帮助Alpha Evolve更准确地搜索解决方案空间。

那对于开发者来说，设计好的评估函数确实非常具有挑战性。你需要明确什么样的结果才是好的解决方案。在某些情况下，开发者可以使用现有的模拟器来进行评估，而在其他更复杂的情况下，可能需要开发定制化的评估工具。

评估函数不仅要能判断方案的好坏，还要能够在不同的任务中灵活应用。比如，在数据中心调度优化问题中，评估函数的复杂性可能远高于一些较简单的任务。

这也是为什么强调评估函数在AI系统中的重要性，只有拥有了精确的评估函数，AI才能有效地进行创新。

左图：AlphaEvolve为谷歌的工作负载和容量量身定制的启发式函数；右图：对该启发式评分函数的可视化展示

科学家转变角色

Matej Balog和Pushmeet Kohli都认为：未来，科学家的角色会发生一些变化。

可以想象，在未来，科学家们将更多地专注于如何定义问题、设计评估函数，以及如何解释AI生成的结果。

AI将成为科学家们的强大工具，帮助他们更快解决复杂的问题。

AI不仅仅给出答案，还提供算法，科学家们可以通过研究算法来理解背后的原理，这对于深入理解问题和解决方案非常重要。

这正是AlphaEvolve称霸多个领域的原因。

数学家和科学家不仅能看到最终的解决方案，还能理解到达这个解的路径，这种新的视角对推动科学发展至关重要。

此外，AlphaEvolve不仅仅推动技术创新，还有助于科学家发掘新的思维方式，挑战现有的认知框架。

AlphaEvolve的问世，标志着科学研究进入了一个崭新的时代。它不仅在算法领域创造了奇迹，更为未来的科学革命铺设了道路。

在AlphaEvolve的推动下，或许我们即将见证：科学，不再依赖「灵感」，而是靠「智能」。

参考资料：

https://www.youtube.com/watch?v=2Fs6VZpsiMQ