AlphaEvolve 是什麼？#
2025 年 5 月 14 日，Google DeepMind 發布了一個名為 AlphaEvolve 的智能體，專門用於科研。OpenAI 的 CEO 山姆·奧特曼多次說過，2026 年是 AI 的創造力之年，標誌是 AI 將獨立做出一項人類科學家無法完成的科學發現——結果 AlphaEvolve 在 2025 年就提前實現了這個目標。
- AlphaEvolve 已經獨立做出了不是一項，而是多項人類科學家難以企及的、決定性的科學發現
- 此前 DeepMind 也在科研領域取得了成果，但做法都是人類主導：派出研究人員，訓練一個專用 AI 模型解決特定問題
- AlphaEvolve 則是一件通用的科研大殺器——你不需要請相關領域的專家幫忙，甚至你自己都不必特別懂那個問題，只要你能把問題給它說明白，它就能獨立做出發現
解決了哪些科學難題？#
DeepMind 的科學家先用 AlphaEvolve 解決了一系列科學難題，才正式對外宣布。
數學領域：矩陣乘法#
- 一個 M×N 矩陣乘以一個 N×P 矩陣，怎樣能少做幾次乘法運算？AlphaEvolve 一舉刷新了十幾項人類紀錄
- 以 4×4 矩陣為例：傳統需要 4×16=64 次乘法；1969 年斯特拉森提出只要 49 次的優化算法，此後 56 年人類都沒能再進一步——直到 AlphaEvolve 出手，用不到一天的時間就找到了只需要 48 次乘法的新算法
數學領域：正六邊形堆疊#
- 把小的正六邊形堆疊進一個大的正六邊形，之前人類最優解邊長是 3.943，AlphaEvolve 找到了新的堆疊方式，使邊長縮小到 3.931
- 堆疊 12 個正六邊形的情況下，原本最優解邊長為 4，AlphaEvolve 通過一個不規則的堆疊法把它降到了 3.942
實際工程應用#
- 為 Google 的大規模計算集群設計了一種全新的任務調度算法，節省了 0.7% 的算力資源
- 優化了 Google 張量處理器（TPU）的電路設計算法，已通過 TPU 工程師的嚴格驗證，準備在下一次晶片設計中使用
- 改進了 Google 自家 AI 模型 Gemini 的大規模矩陣運算算法，把關鍵內核加速了 23%，最終使整體訓練時間縮短了 1%
AlphaEvolve 的工作原理：演化算法#
AlphaGo 靠的是強化學習，AlphaEvolve 用的則是演化算法——如同自然界的生物演化：一代代篩選改進，最終「演化」出優秀的解。
以 4×4 矩陣乘法為例：
- 人類定義「做什麼」：設定評估標準（乘法運算的次數越少越好），提供初始解和背景知識
- AlphaEvolve 找出「怎麼做」：用 Google 現成的大模型（Gemini Flash 生成想法、Gemini Pro 細化算法）對斯特拉森的算法做「變異」，產生大量新算法
- 自動檢查與評分：用腳本自動檢查新算法是否能正確計算，給每個算法一個綜合評分
- 選擇優勝者進入下一輪：選擇得分最高的幾個「優勝者」進入下一輪演化
變異、選擇、迭代——這不是人類科學家解決問題的辦法，但這恰恰是大自然解決問題的辦法！
本質是「搜索」，不是「優化」#
- AlphaEvolve 這個演化方法的本質，其實不是優化，而是搜索——在巨大的可能性空間中搜索解法
- 這正好應了理查德·薩頓的說法：只有兩個技術可以在計算上無限縮放，那就是「學習」和「搜索」
- 強化學習也是一種搜索，只不過沒有明確的量化指標，所以比較適合自動駕駛、下棋、生成文章這類任務；而 AlphaEvolve 這種演化式的搜索更適合算法優化
適用領域與潛力#
AlphaEvolve 最擅長處理的問題幾乎都跟算法優化有關——結構明確、目標清晰、評估標準可量化。
- 供應鏈管理：外賣員送哪個先送哪個最省時間？這是 NP-hard 難題，如果 AlphaEvolve 能發明一個新算法哪怕只節省 5% 的時間，也可以產生巨大的經濟效益
- 金融領域：高頻交易、風險控制、資產配置，每一個決策背後都有複雜的優化問題
- 藥物設計、篩選新材料等，可以說各行各業都能用上
DeepMind 雖然沒有演示 AlphaEvolve 怎麼幫助證明比如黎曼猜想和哥德巴赫猜想，但也許只要找到合適的設定方式，那些難題也能被轉化為優化問題。
AI 能做出真正的創新#
- 從 ChatGPT 剛出來開始，就不斷有人說大語言模型只不過是「隨機鸚鵡」、沒有真正的思想——現在 AlphaEvolve 已經解決了人類數學家幾十年來都未能攻克的問題
- AI 已經展現出真正的創造力，而且它的解題思路跟我們不一樣——你可能覺得那些變異、篩選和迭代有機械味道，不像人類那樣依靠直覺、靈感和頓悟
- 但人類所謂的直覺、靈感和頓悟，從大腦的底層原理考慮，何嘗不是在頭腦中苦苦搜索？
算力的警示#
AlphaEvolve 帶來了一個警示：
- 它其實並沒有一個絕對的停機時刻，每次都是研究者主動叫停的
- 讓 AI 思考 1 小時和思考 10 分鐘，得到的答案很可能是不一樣的——對於特別複雜的難題，誰買得起更多的算力時間，誰就能找到更優秀、更極致的解決方案
- 以前你可以說，雖然公司設備差，但我們的人更優秀——而以後，誰算力強誰就有更優的算法，誰就有更先進的技術
- 金融領域高頻交易，如果你的算法比別人快 0.1%、準確率高 1%，背後就是巨大的利潤差距
- 在軍事領域，像指揮無人機蜂群這樣的任務，更是必須依賴 AI 算法的實時調度能力
那豈不是說什麼戰略、什麼思想、什麼文化、什麼教育都沒意義了——「縮放定律」之下算力就是一切嗎？