谷歌DeepMind推出“驚艷”的通用科學AI系統

　　谷歌DeepMind利用聊天機器人模型成功解決了數學和計算機科學領域的重大難題。據《自然》報道，5月14日，DeepMind推出能夠自主生成、改進算法代碼的通用科學人工智能（AI）系統AlphaEvolve。該系統將大型語言模型（LLM）的創造力與能夠審查模型建議的算法相結合，通過不斷篩選和改進解決方案，最終實現突破。目前，該系統僅在谷歌內部使用。

　　DeepMind倫敦科學部門負責人Pushmeet Kohli透露，除了應用AlphaEvolve解決開放數學問題外，公司已將其用于應對實際挑戰——AlphaEvolve協助改進了公司下一代張量處理單元（專為AI設計的計算芯片）的設計，并找到更高效利用谷歌全球計算資源的方法，節省了總資源的0.7%。

　　德國馬克斯·普朗克光科學研究所AI科學家實驗室負責人Mario Krenn Krenn指出，迄今，AI在科學領域的大多數成功應用，都采用針對特定任務定制開發的算法。但AlphaEvolve作為通用科學AI系統，通過調用LLM生成代碼的能力，解決了跨多個學科的問題。

　　因涉及交互式AI模型的協同工作，DeepMind將AlphaEvolve定義為“智能體”。與許多其他專注于文獻綜述和假設生成的“智能體”不同，AlphaEvolve的定位聚焦于科研流程的關鍵環節。

　　用戶輸入問題、評估標準和建議方案后，LLM會產生數百至數千個改進方案，隨后“評估者”算法會根據優質解決方案的指標對這些改進方案進行評判。DeepMind的AI科學家、該研究聯合負責人Matej Balog說，基于對最優解決方案的判斷，LLM會提出新思路，AlphaEvolve則能逐步進化出更強大的算法，探索解決問題的各種可能性。

　　AlphaEvolve建立在公司2023年公布的FunSearch系統基礎之上，后者曾通過類似進化方法在未解數學問題上超越人類表現。Balog表示，與FunSearch相比，AlphaEvolve能處理更大規模的代碼，應對跨科學領域更復雜的算法問題。

　　DeepMind稱，AlphaEvolve提出的矩陣乘法計算方法，在某些情況下比德國數學家Volker Strassen于1969年提出的最快已知方法更高效。這類涉及網格數字運算的計算被廣泛應用于神經網絡訓練。盡管作為通用系統，AlphaEvolve在矩陣運算方面仍超越了公司2022年專為此設計的AI工具AlphaTensor。

　　英國牛津大學數學家兼AI研究員Simon Frieder認為，在數學領域，AlphaEvolve似乎顯著加速了某些問題的解決進程。但該系統可能僅適用于“能通過代碼呈現的狹窄領域”問題。

　　在更廣泛科研群體試用之前，美國俄亥俄州立大學AI研究員Huan Sun對AlphaEvolve的實際效用持保留態度。Frieder也指出，他將等待開源版本的出現，而非依賴DeepMind可能隨時調整的專有系統。

　　盡管AlphaEvolve運行所需的計算資源少于AlphaTensor，但Kohli表示其仍過于耗能，無法在DeepMind服務器上免費開放。不過公司希望通過公布該系統來激發科研界提出更多應用方向。“我們致力于確保科學界最大范圍獲取這項技術。”Kohli強調。