DeepMind 新開發的人工智慧（AI）Alpha Evolve，在數學領域取得突破性進展，改善了 Google 晶片的設計，並優化了自身的程式碼。更重要的是，它並非經過特定訓練來完成這些任務，而是自主進化出這些能力。這項技術突破引起了廣泛關注，本文將深入解析 Alpha Evolve 的運作方式，以及它為何可能成為科學領域最重要的 AI。
人工智慧在科學領域的應用
過去十年，人工智慧已成功應用於解決科學領域的諸多難題，從蛋白質摺疊到量子物理，甚至是數學和電腦科學的挑戰。DeepMind 在這方面已開發出令人印象深刻的模型，例如 AlphaFold、AlphaChip 和 AlphaTensor，每個模型都專為解決特定任務而設計。
Alpha Evolve 的獨特之處
與以往的模型不同，Alpha Evolve 並非針對特定問題進行訓練，而是自主發現全新的演算法，這是一項重大突破。這意味著我們不再僅僅使用 AI 來解決特定任務，而是開始構建能夠在廣闊的空間中探索，並在不同領域進行創新的通用智能體。
Alpha Evolve 的運作原理
Alpha Evolve 的靈感來自於進化過程，也就是所謂的進化演算法。進化演算法在機器學習領域並不新鮮，Google 的 AutoML 就是一個著名的例子。當搜尋空間非常龐大時，例如調整神經網路或設計電腦晶片，涉及到數百萬個變數和無數種組合方式時，這類演算法特別有用。
結合進化演算法與大型語言模型
Alpha Evolve 最引人入勝的地方在於，它將傳統的進化演算法與最先進的大型語言模型（LLM）相結合，可以將其視為進化演算法的強化版。
進化迴圈
Alpha Evolve 的運作流程如下：
- 設定環境與藍圖： 首先，賦予 Alpha Evolve 兩個要素：一個評估函數和一個程式碼模板。評估函數描述並評估每個解決方案如何利用資料中心的容量。程式碼模板則是程式碼的基本起點。
- 演算法生成： Alpha Evolve 進入一個所謂的進化迴圈，其中它創建大量的演算法群體，可以把它看作是這個問題的一組後代。
- 團隊合作： 在這個迴圈中，Alpha Evolve 使用一種團隊合作的方式，Gemini Flash 生成多種演算法變體，而 Gemini Pro 則提供較少但更優質的建議。
- 測試與學習： 接著，測試每個版本的有效性。Alpha Evolve 檢查其正確性和性能，然後將結果保存到內部記憶體中。這樣，它就能從錯誤中學習，就像大自然保留有效的東西並丟棄無效的東西一樣。
- 演算法優化： 隨著時間的推移，演算法會不斷改進。只有表現最佳的演算法才能用於創建下一代。這個迴圈不斷重複，通常數百萬次，逐漸進化出越來越好的解決方案。
全自動化的進化過程
真正的變革之處在於，這種進化和自然選擇的過程是完全自動化的。因此，我們現在可以每天多次進化和測試新的想法，而不是像過去一樣需要數年時間。
Alpha Evolve 的實際成果
Alpha Evolve 已經取得了一些令人印象深刻的成果：
-
加速矩陣乘法： 它成功加速了矩陣乘法運算，這是 Google Gemini 模型訓練背後的核心運算。
-
優化晶片設計： 它優化了 Google TPU（張量處理單元）的電路設計，降低了晶片面積和功耗。
-
優化GPU指令： Alpha Evolve 優化了編譯器層級的底層 GPU 指令，加速了 Flash Attention 內核 30%。
-
優化資料中心管理： 它發現了一種優化 Borg（Google 的資料中心管理系統）的新方法，據 Google 稱，這一單一優化使 Google 的雲端運算費用降低了約 1%。
Alpha Evolve 的局限性
Alpha Evolve 目前並非完全自我改進，因為它不會不斷升級其核心智慧或學習演算法。它也只能處理可以使用評分函數評估的問題。此外，這種方法最適用於可以處理大量上下文的模型。
人工智慧的未來
人工智慧不僅僅是下一個熱潮，它將比網際網路更重要。將人工智慧應用於科學是最令人興奮的部分。
問題選擇的考量因素
DeepMind 在選擇下一個重大科學挑戰時，會考慮以下因素：
- 問題的影響力： 該問題是否具有變革性，是否是一個根節點問題，如果解決了它，就能帶來範式轉變。
- 人工智慧的需求： 該問題是否困難，並且人工智慧能夠帶來變革性的影響。
- 經驗與資料： 是否具備足夠的訓練資料或評估方法，以便人工智慧能夠取得進展。
總而言之，Alpha Evolve 的出現，為人工智慧在科學領域的應用開啟了新的篇章，它不僅能解決特定的問題，更能自主進化出解決問題的能力，為未來的科學發現帶來無限可能。