目錄
Google DeepMind 5 月 7 日（美國時間）發布 AlphaEvolve 跨領域成果報告。DeepMind 官方部落格整理 AlphaEvolve 自推出以來的具體進展：找到比 Strassen 1969 演算法更好的 4×4 複數矩陣乘法方法（48 次純量乘法）、與陶哲軒（Terence Tao）等數學家合作解決多個 Erdős（艾狄胥）數學難題、為 Google 資料中心節省 0.7% 全球運算資源、把 Gemini 訓練的關鍵 kernel 速度提升 23%、整體 Gemini 訓練時間減少 1%。
架構：Gemini Flash 廣度探索 + Gemini Pro 深度評估的演化式 Agent
AlphaEvolve 是一個演化式編碼 Agent、設計用於通用演算法發現與最佳化：
- Gemini Flash—最大化探索想法的廣度
- Gemini Pro—提供深度的批判性建議
- 自動評估器—驗證每個候選答案、並提供回饋
- 演化框架—基於評估回饋持續迭代、保留最有前景的解
這個結構讓 AlphaEvolve 能在沒有人類預先指引的情況下、針對開放問題持續產生與測試解、適合「答案可被自動驗證」的領域（演算法、數學、最佳化問題）。
數學成果：4×4 矩陣乘法刷新 1969 年紀錄、與陶哲軒合作解 Erdős 問題
AlphaEvolve 在數學與電腦科學的具體進展：
- 4×4 複數值矩陣乘法：找到只需 48 次純量乘法的演算法、勝過 Strassen 1969 年提出的最佳結果
- 與陶哲軒等知名數學家合作、共同解決多個 Erdős（艾狄胥）開放問題
Strassen 演算法是矩陣乘法計算複雜度的長期最佳解之一、AlphaEvolve 在此案打破數十年紀錄、是「AI Agent 在數學邊界上找到新解」的具體案例。
基礎設施成果：Google 資料中心節能、量子電路誤差降 10×
AlphaEvolve 在 Google 自家系統中的應用：
- 資料中心：找到更好的任務排程方法、平均回收 0.7% 全球運算資源
- Gemini 訓練：關鍵 kernel 速度提升 23%、整體訓練時間減少 1%
- 量子物理：在 Google Willow 量子處理器上、AlphaEvolve 設計的量子電路誤差較傳統最佳化基線低 10 倍、讓複雜分子模擬可在 Willow 上執行
- 電力網最佳化：將圖神經網路（GNN）模型解 AC Optimal Power Flow 問題的可行解比例從 14% 提升到 88% 以上
- 地球科學：自動化最佳化 Earth AI 模型、自然災害風險預測準確度提升 5%
後續可追蹤的具體事件：AlphaEvolve 是否從 Google 內部工具開放給外部研究者使用、Erdős 系列問題的後續突破、以及 AlphaEvolve 在 Google Cloud 的商業化進度（DeepMind 已在 Google Cloud 部落格預告相關整合）。
