DeepMind发布AlphaEvolve | 优化56年矩阵乘法 | 改进300年几何难题 | 提高Gemini训练效率 | 进化算法 | LLM | 人类反馈 |

Speaker A: 你好。

Speaker A: 哎你还记得 AlphaGo 那个那个特别神的围棋第37手吗？

Speaker B: 嗯，记得，当时很轰动。

Speaker A: 对吧？

Speaker A: 那你想像一下，要是 AI 不光能在游戏里走出这种妙手，还能在数学、科学、甚至那个代码优化上，找到我们一直没想到的新方法呢？

Speaker B: 这个嘛，其实就是我们今天要聊的重点了。我们深入看一看谷歌 DeepMind 最新的这个 AlphaEvolve。

Speaker A: AlphaEvolve?

Speaker B: 嗯，对，扒了相关的技术论文摘要，官方发布，还有网上的各种讨论，像 Reddit 上的，还有专家怎么看，甚至一些开源项目。

Speaker A: 那我们今天的目标是？

Speaker B: 就是帮你弄明白，这个 AlphaEvolve 它到底是个啥，怎么工作的，关键是它发现新东西的这个本事，对我们未来可能预示着什么。

Speaker A: 听起来就很吸引人。那它究竟是什么？AlphaEvolve?

Speaker B: 嗯，简单说，它是个 AI 智能体，背后是谷歌的 Gemini 大模型在驱动，然后呢，它还结合了进化算法。

Speaker A: 进化算法？

Speaker B: 对。最核心的是它的发现能力，就是说，它能自己去找，还能优化出全新的算法。这个是 DeepMind 的 Pushmeet Kohli 团队搞出来的。

Speaker A: 等等，AI 自己发现新算法？这，这听着也太超前了吧？它是怎么做到的？

Speaker B: 核心机制啊, 可以叫做一个进化循环。

Speaker A: 进化循环？

Speaker B: 嗯，你想啊，第一步，大语言模型，就是 LLM，它像个创意引擎，先生成一堆初始的代码方案。

Speaker A: 一堆点子，是吧？

Speaker B: 对，一堆点子。然后，有个自动评估器，它会来测试这些方案，给它们打分。

Speaker A: 打分？用什么标准呢？

Speaker B: 看情况。比如论文里提到的金融策略，就用那个信息系数之类的指标，看它预测的准不准，效果好不好。

Speaker A: 哦，有点像物竞天择。

Speaker B: 没错，就是这个意思，优胜劣汰。表现好的方案呢，就能活下来，而且还能变异。

Speaker A: 变异？怎么变？还是靠 LLM?

Speaker B: 对。这里，LLM 就又出场了。它不是随机乱改，而是像个聪明的指导者，根据现在这个不错的代码，提出更智能、更有方向的修改建议。

Speaker A: 明白了，不是瞎碰，是指导性的改进。

Speaker B: 就是这样。然后这个生成、评估、改进的过程啊，就一遍一遍地循环，好的算法就慢慢进化出来了。

Speaker A: 听起来效率很高啊。

Speaker B: 嗯，它底层用了一种叫进化策略（ES）的技术，这个技术特别适合并行处理，所以能大规模地去搜索。

Speaker A: 原来是这样。那它具体取得了哪些让人觉得“哇”一下的成果？是不是说 AI 真的开始在不同领域都能发现新东西了？

Speaker B: 这就是最有意思的地方。它的成果跨度非常大，显示出这种方法的潜力真的不小。

Speaker A: 比如说？

Speaker B: 比如，在金融，这是它原始论文的重点。它在那个纳斯达克的历史数据上，找到了新的交易策略，就是所谓的阿尔法因子。

Speaker A: 阿尔法因子？就是能赚钱的策略？

Speaker B: 嗯，目标是找到那种风险不高，但回报不错，而且跟别的策略不太一样的路子。评价的时候会用上像夏普比率这种，看风险调整后的收益。

Speaker A: 所以不只是像 AlphaGo 那样在一个领域找到一个神来之笔，而是找到了一种方法，能在金融、数学、工程这些完全不同的领域里去发现新技巧。这感觉是个质变啊。

Speaker B: 说得特别对。你看啊，在基础科学上，它居然改进了一个核心数学运算——4x4 复数矩阵乘法。

Speaker A: 这个我知道，好像很久没突破了。

Speaker B: 对，50多年了。从49次乘法降到了48次。虽然只少了一次，但这可是1969年以来的第一次改进。

Speaker A: 哇！

Speaker B: 还有，它还推进了一个几百年的数学难题，叫“接吻数问题”。在11维空间里找到了更好的球体堆叠方案。这就说明 AI 开始能碰那些困扰人类很久的基础问题了。

Speaker A: 而且听说谷歌内部已经再用了，解决实际问题？

Speaker B: 没错没错。这说明它不只是理论上的，很有实用价值。谷歌用它优化内部系统，像管理他们超大数据中心的那个 Borg 系统。

Speaker A: 效果呢？

Speaker B: 据说节省了0.7%的资源。你别小看这个数字，对谷歌那种体量，这可不少了。

Speaker A: 嗯，确实。

Speaker B: 他还加速了自家 Gemini AI 模型的训练。通过优化那种大型矩阵运算，训练时间缩短了大概1%。

Speaker A: 训练更快了。

Speaker B: 对。甚至还改进了设计 Google TPU 芯片用的硬件描述语言，还有编译器，让 Transformer 模型在 GPU 上跑得更快了，提速了32.5%。

Speaker A: 我的天！从基础数学到数据中心，到芯片设计和模型训练，这跨度真的很大。那这对我们，或者说对听众你来说，意味着什么呢？

Speaker B: 嗯…最直接可能就是，我们以后用的软件、享受的服务，底层可能都悄悄被这种 AI 优化过了，效率更高、能耗更低。

Speaker A: 对科研人员呢？

Speaker B: 那潜力就更大了。可能就像 AlphaFold 对生物学研究那样，变成一个加速发现新药、新材料的超级工具。

Speaker A: 这也引起了不少讨论对吧？我看网上有人包括像 Yann LeCun 这样的大佬，就在讨论 LLM 是不是真的能发现新东西。

Speaker B: 对，这个讨论很有价值。AlphaEvolve 的巧妙之处在于，它不是单靠 LLM。LLM 在这里是整个系统的一部分，一个有创造力的组件，跟进化算法、评估器一起工作。

Speaker A: 是一个系统工程。

Speaker B: 没错。当然，AI 发现过程有点像黑箱，怎么去验证这些发现，也是个挑战。

Speaker A: 嗯，有道理。我还再 Reddit 上看到有些程序员，好像有点焦虑，担心以后工作。

Speaker B: 这种担心能理解，但这更像是个信号，就是未来可能要变了。

Speaker A: 怎么变？

Speaker B: 人类的价值可能更多的在于提出好问题，设定对的目标和标准。然后 AI 呢，就作为强大的探手工具, 在巨大的可能性里找答案。

Speaker A: 这可能是人机协作的新模式吧。

Speaker B: 那我们现在能用上 AlphaEvolve 吗？或者去哪里看看？

Speaker A: 现在主要是谷歌内部在用，用了一年多了。DeepMind 说会给学术界提供早期访问权限。不过如果你对这个思路感兴趣，GitHub 上有个社区搞的 OpenAlphaEvolve 项目，可以去了解一下类似的概念是怎么实现的。

Speaker B: 好的，明白了。所以总结一下，AlphaEvolve 展示了 AI 的一个重要转面，就是从单纯执行任务，到开始具备一定的，怎么说呢，自主发现和优化的能力。

Speaker A: 对。

Speaker B: 而且这种能力好像能跨越金融、数学、工程这些看起来很不一样的领域。

Speaker A: 的确是这样。它给我们展示了 AI 能力的一个新维度。

Speaker B: 嗯，这就引出了一个挺有意思的问题。让我们思考一下，你看，AlphaEvolve 能成功，很大程度上还是靠人给它定义好问题和评价标准，对吧？

Speaker A: 对。

Speaker B: 那么，随着这种 AI 的发现能力越来越强，未来创新里面最核心、最不可替代的，属于人类的贡献到底会是什么呢？是提出那个对的问题，还是设定那个巧的目标，或者是某种我们现在还没完全意识到的更深层次的智慧？