革新演算法發現：DeepMind 的 AlphaEvolve，一款由 Gemini 驅動的 Coding Agent

在人工智慧快速演進的領域中，Google DeepMind 不斷推出創新工具，將創意與計算能力完美結合。2025 年，DeepMind 進一步強化其領導地位，推出 AlphaEvolve，這款突破性的演化 Coding Agent 由 Google 的 Gemini 大型語言模型（LLM）驅動。這款 AI 系統專為發現和優化先進演算法而設計，能夠應對數學、計算等複雜挑戰。透過 Gemini Flash 模型的廣闊創意探索，以及 Gemini Pro 模型的深度精煉，AlphaEvolve 在自動化問題解決方面實現了重大飛躍，已在 Google 的生態系統中帶來實際效率提升，並為科學突破開啟新大門。作為 DeepMind 持續創新的一部分，AlphaEvolve 不僅體現了公司在 LLM 技術上的領先優勢，還與其他工具如 AlphaProof 和 Gemini Deep Think 整合，形成強大的 AI 生態系統，推動數學和計算科學的邊界。

AlphaEvolve 的運作原理：融合 AI 創意與演化優化

AlphaEvolve 的核心是演化整個程式碼庫，遠超越單純的函數生成。它首先為 Gemini 模型組裝提示，這些模型隨後提出實現演算法解決方案的電腦程式。這些提議會透過自動化評估指標進行嚴格驗證、執行和評分，涵蓋準確性、效率和品質。這使得 AlphaEvolve 在數學和電腦科學等可客觀測量進展的領域特別有效。

根據 DeepMind 的白皮書，AlphaEvolve 的架構採用演化方法，透過 LLM 直接修改程式碼，持續從一個或多個評估器獲得反饋。這形成一個反饋迴圈，驅動演算法的迭代改進，可能帶來新的科學和實用發現。這種方法擴大了先前自動發現方法的範圍，例如超越了 2023 年的 AlphaTensor，允許 AI 探索更廣闊的解決方案空間。DeepMind 的工程師強調，這種整合 LLM 的演化框架不僅提升了創意生成，還確保了驗證的嚴謹性，展示了公司在 AI Agent 設計上的技術深度。與傳統依賴人類直覺的方法不同，AlphaEvolve 結合 LLM 驅動的創意與系統化驗證，能夠快速探索廣闊的解決方案空間。正如 DeepMind 所指出的，這種設定極具多樣性，從優化現實基礎設施到解決抽象理論問題皆能勝任。

系統透過四個主要模塊運作，形成一個循環： 

1. Prompt sampler：從資料庫中抽樣現有程式，組裝成新的提示，融入靈感（inspirations），提供給 LLM。
2. LLMs ensemble：使用多個 LLM（如 Gemini Flash 負責廣闊創意，Gemini Pro 負責深度分析）生成新程式碼或修改現有程式。
3. Evaluators pool：自動運行生成的程式，評分其準確性、效率等指標（如速度或資源使用）。
4. Program database：儲存所有生成的程式、評估結果和變化歷史，作為演化基礎，系統會從中選出最優者。

箭頭指向右側的 Best program（最佳程式），表示最終輸出經過多次迭代的最優解。

實際影響：提升 Google 計算生態系統的效率

AlphaEvolve 的突出成就之一，是應用於強化 Google 龐大的計算基礎設施。在資料中心排程方面，它為 Borg（Google 的叢集管理系統）發現了一個簡單卻極為有效的啟發式方法，平均回收全球計算資源的 0.7%。這聽起來或許微小，但以 Google 的規模而言，這意味著在相同計算足跡下能完成更多任務，促進永續性和成本節省。這項發現不僅提高了性能，還提供了人類可讀的程式碼，具有可解釋性、除錯性和可預測性，突顯 DeepMind 在實用 AI 應用上的工程卓越。

在硬體設計中，AlphaEvolve 為 Google 的張量處理單元（TPU）——專屬 AI 加速器——提出優化建議。它改寫 Verilog 程式碼，移除關鍵算術電路中不必要的位元，同時維持功能正確性。這項提議已整合至即將推出的 TPU 中。透過以晶片設計師標準語言提出修改，AlphaEvolve 促進 AI 與人類工程師的合作，加速未來專用晶片的設計，展示了 DeepMind 在硬體軟體整合上的創新能力。

AlphaEvolve 也在 AI 訓練和推論方面大放異彩。它優化了矩陣乘法——如 Gemini 等模型的核心運算——實現 23% 的加速，從而將 Gemini 的訓練時間縮短 1%。對於 GPU 指令，這種極其複雜且通常已高度優化的領域，AlphaEvolve 在基於 Transformer 的 AI 模型中為 FlashAttention 核心實現了高達 32.5% 的加速。這些提升不僅降低計算和能源成本，還大幅減少工程時間，從專家數週的手動努力縮短至數天的自動化實驗，讓研究人員能更快創新。DeepMind 的團隊指出，AlphaEvolve 甚至優化了訓練其自身的 LLM 過程，形成一個自我提升的迴圈，體現了公司在 AI 自適應技術上的領先優勢。

推進數學與理論計算機科學前沿：從矩陣乘法到複雜度理論

除了實際計算，AlphaEvolve 還在推進純數學和理論計算機科學領域。它設計了一種新穎的基於梯度的優化程序，發現了更快矩陣乘法的演算法，包括 4x4 複數值矩陣使用僅 48 次純量乘法的版本——超越 1969 年 Strassen 演算法的長期最佳紀錄。這是 56 年來首次改進，證明了 AlphaEvolve 在數學發現上的潛力。要知道現在 AI 在做的事情，就是做一系列的矩陣乘法，只要矩陣乘法做的快一點，模型推論的速度就可以快一點，某種程度上會增強現在 AI 模型的效能。

在超過 50 個開放問題上進行測試，涵蓋分析、幾何、組合和數論等領域，AlphaEvolve 在 75% 的案例中重新發現了最先進的解決方案，並在 20% 的案例中改進了先前的最佳方案。一個值得注意的例子是「接吻數問題」，這是困擾數學家超過 300 年的幾何挑戰。AlphaEvolve 在 11 維中發現了 593 個外球的配置，建立新的下界，並貢獻於持續的數學討論。

2025 年，AlphaEvolve 進一步應用於理論計算機科學，作為研究夥伴推進複雜度理論。透過生成和驗證組合結構，它幫助發現新的有限結構，這些結構可「提升」為通用定理。例如，在 MAX-4-CUT 問題（將圖形節點分為四組以最大化交叉邊）的不可逼近性上，AlphaEvolve 發現了一個具有 19 個變數的複雜小工具，將不可逼近界從 0.9883 改進至 0.987，證明 NP-hard。

🔼左側是一個密集的無向圖網絡，包含多個彩色節點（紅色、綠色、黃色和藍色），它們透過灰色邊密集連接，形成一個複雜的簇狀結構，可能代表 MAX-4-CUT 問題中的節點分區或 Ramanujan 圖形的變體，用來示範組合優化或譜圖論中的證明。右側則是一個垂直柱狀圖，節點主要為藍色和紅色，邊線密集交織，強調高連通性和邊緣分佈，常用於說明 NP-hard 或平均情況的組合結構。

在平均複雜度情況上，它搜索極端 Ramanujan 圖形，發現高達 163 節點的 4-正則圖形，緊縮了隨機圖形的下界。

🔼這張圖是 AlphaEvolve 在數學證明優化過程中的概念圖示。它將完整證明視為一條長水平線（長字符串），中間部分被標記為「介面」，AlphaEvolve 以向下箭頭形式應用於特定證明片段，進行變形（morphing），同時保持該片段與證明其餘部分的「介面」完整不變。

這項工作發表於「Reinforced Generation of Combinatorial Structures: Applications to Complexity Theory」論文中，突顯 DeepMind 在 AI 輔助證明上的技術實力。這些成功突顯了 AlphaEvolve 的靈活性：大多數實驗的設定僅需數小時，證明它作為研究人員快速原型工具的潛力。

AI for Math 倡議：DeepMind 的全球合作與技術共享

2025 年 10 月，DeepMind 與 Google.org 共同推出「AI for Math」倡議，將 AlphaEvolve 等工具推向更廣闊的學術界。這項倡議匯聚五個頂尖研究機構，包括倫敦帝國學院、高等研究院（Institute for Advanced Study）、法國高等科學研究院（IHES）、加州大學柏克萊分校 Simons 計算理論研究所，以及塔塔基礎研究學院（TIFR）。目標是透過 AI 加速數學發現，識別適合 AI 洞察的問題，並建立共享基礎設施。

Google 提供資金支持，而 DeepMind 分享先進技術，包括 Gemini Deep Think（強化推理模型）、AlphaEvolve（演算法發現 agent）和 AlphaProof（形式證明系統）。AlphaEvolve 在此倡議中扮演關鍵角色，已應用於數學和電腦科學問題，改進 20% 的開放問題最佳方案，並在國際數學奧林匹克（IMO）中貢獻銀牌和金牌表現。倡議強調 AI 與人類數學家的合作，形成反饋迴圈，推動物理、生物和電腦科學等領域的進展。這展示了 DeepMind 在全球 AI 合作上的領導力，強化其作為科技先驅的形象。

AlphaEvolve 的未來：更廣泛存取與轉型應用

隨著 Gemini 等 LLM 的持續演進，AlphaEvolve 也將變得更擅長編碼和演算法設計。DeepMind 正與 People + AI Research 團隊合作，開發友善的使用者介面，並計劃為選定的學術使用者推出早期存取計劃。有興趣者可透過 DeepMind 部落格上的表格註冊。透過 AI for Math 等倡議，AlphaEvolve 的應用將擴大，預計在 2026 年實現更廣泛的學術和產業存取。

未來，AlphaEvolve 的通用性將其應用擴展至材料科學、藥物發現和永續性等領域。任何可描述為演算法且可自動驗證解決方案的問題皆可受益，潛在轉型產業並加速科技進步。DeepMind 的研究團隊表示，AlphaEvolve 代表從特定領域演算法發現到廣泛實用挑戰的進展，預計將與 LLM 的進步同步提升。

Google DeepMind 的 AlphaEvolve 體現了 AI 如何增強人類智慧，帶來惠及全球使用者的效率提升。欲了解更多細節，請查看 DeepMind 部落格的完整公告：AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms。隨著 DeepMind 的持續創新，此類工具將重新定義 AI 輔助發現的可能性，鞏固 Google 在人工智慧領域的全球領導地位。