Google DeepMind 7 พฤษภาคม (เวลาสหรัฐอเมริกา) เผยแพร่รายงานความสำเร็จเชิงข้ามสาขาของ AlphaEvolve DeepMind ได้สรุปพัฒนาการที่จับต้องได้ของ AlphaEvolve นับตั้งแต่เปิดตัวไว้ในบล็อกทางการ: ค้นหาวิธีการคูณเมทริกซ์เชิงซ้อนขนาด 4×4 ที่ดีกว่าวิธี Strassen ปี 1969 (ด้วยการคูณสเกลาร์ล้วน 48 ครั้ง), ร่วมมือกับนักคณิตศาสตร์อย่าง Terence Tao เพื่อแก้ปัญหาคณิตศาสตร์ยากของ Erdős (ไอดีเซช) หลายข้อ, ช่วยประหยัดทรัพยากรคำนวณระดับโลก 0.7% ให้กับศูนย์ข้อมูลของ Google, เพิ่มความเร็วของ key kernel ที่ใช้ในการฝึก Gemini 23%, และลดเวลาการฝึก Gemini รวมลง 1%
สถาปัตยกรรม: Agent เชิงวิวัฒนาการที่ผสมผสานการสำรวจเชิงกว้างของ Gemini Flash + การประเมินเชิงลึกของ Gemini Pro
AlphaEvolve เป็น evolutionary coding Agent ที่ออกแบบมาเพื่อการค้นพบอัลกอริทึมทั่วไปและการหาคำตอบที่ดีที่สุด (best optimization):
Gemini Flash—ขยายการสำรวจด้วยความกว้างสุด
Gemini Pro—ให้คำแนะนำเชิงวิพากษ์เชิงลึก
ตัวประเมินอัตโนมัติ—ตรวจสอบคำตอบผู้สมัครแต่ละข้อ และให้ข้อเสนอแนะ
กรอบเชิงวิวัฒนาการ—วนรอบต่อเนื่องตามคำติชมจากการประเมิน พร้อมคงไว้ซึ่งวิธีที่มีแนวโน้มที่สุด
โครงสร้างนี้ทำให้ AlphaEvolve สามารถสร้างและทดสอบคำตอบสำหรับโจทย์เปิดได้อย่างต่อเนื่อง โดยไม่ต้องมีมนุษย์ชี้นำล่วงหน้า และเหมาะกับสาขาที่ “คำตอบสามารถตรวจสอบอัตโนมัติได้” (เช่น อัลกอริทึม คณิตศาสตร์ และปัญหาการหาค่าที่เหมาะสมที่สุด)
ความสำเร็จด้านคณิตศาสตร์: รีเฟรชสถิติการคูณเมทริกซ์ 4×4 ให้เหนือสถิติปี 1969 และร่วมมือกับ Terence Tao เพื่อแก้ปัญหา Erdős
AlphaEvolve สร้างความคืบหน้าอย่างเป็นรูปธรรมในคณิตศาสตร์และวิทยาการคอมพิวเตอร์:
การคูณเมทริกซ์เชิงซ้อนขนาด 4×4: พบอัลกอริทึมที่ต้องใช้การคูณสเกลาร์ล้วนเพียง 48 ครั้ง และเหนือกว่าสถิติที่ดีที่สุดซึ่ง Strassen เผยแพร่ในปี 1969
ร่วมมือกับนักคณิตศาสตร์ชื่อดังอย่าง Terence Tao เพื่อแก้ปัญหาเปิดของ Erdős หลายชุด
อัลกอริทึม Strassen เป็นหนึ่งในคำตอบที่ดีที่สุดระยะยาวสำหรับความซับซ้อนในการคูณเมทริกซ์ ในเคสนี้ AlphaEvolve ทำลายสถิติที่ยึดมานานหลายทศวรรษ ซึ่งเป็นตัวอย่างที่จับต้องได้ของ “AI Agent ที่พบบทพิสูจน์ใหม่บนขอบคณิตศาสตร์”
ความสำเร็จด้านโครงสร้างพื้นฐาน: ประหยัดพลังงานในศูนย์ข้อมูลของ Google และลดข้อผิดพลาดของวงจรควอนตัม 10×
AlphaEvolve ถูกนำไปใช้ในระบบภายในของ Google ดังนี้:
ศูนย์ข้อมูล: พบวิธีจัดตารางงานที่ดีกว่า และเก็บคืนทรัพยากรคำนวณระดับโลกได้เฉลี่ย 0.7%
การฝึก Gemini: ความเร็วของ key kernel เพิ่มขึ้น 23% และเวลาการฝึกรวมลดลง 1%
ฟิสิกส์ควอนตัม: บนโปรเซสเซอร์ควอนตัมของ Google Willow วงจรควอนตัมที่ AlphaEvolve ออกแบบมีความคลาดเคลื่อนต่ำกว่าชุดฐานการปรับให้เหมาะสม (optimization) แบบดั้งเดิมถึง 10 เท่า ทำให้การจำลองโมเลกุลเชิงซ้อนสามารถทำงานบน Willow ได้
การเพิ่มประสิทธิภาพโครงข่ายไฟฟ้า: เพิ่มสัดส่วนของคำตอบที่ทำได้ (feasible solutions) ของการแก้ปัญหา AC Optimal Power Flow จากแบบจำลองกราฟประสาท (GNN) จาก 14% เป็นมากกว่า 88%
วิทยาศาสตร์โลก: ทำให้การปรับให้เหมาะสมของโมเดล Earth AI อัตโนมัติขึ้น และเพิ่มความแม่นยำของการพยากรณ์ความเสี่ยงภัยพิบัติทางธรรมชาติ 5%
เหตุการณ์เฉพาะที่ติดตามได้ต่อ: AlphaEvolve จะถูกปล่อยให้ผู้วิจัยภายนอกเข้าถึงจากเครื่องมือภายในของ Google หรือไม่ ความคืบหน้าต่อของการทะลุขอบเขตในกลุ่มปัญหา Erdős และความก้าวหน้าด้านการทำให้เกิดเชิงพาณิชย์ของ AlphaEvolve ใน Google Cloud (DeepMind ได้ประกาศไว้ในบล็อกของ Google Cloud แล้วว่าจะมีการบูรณาการที่เกี่ยวข้อง)
บทความนี้ของ DeepMind AlphaEvolve ผลงานข้ามสาขาเริ่มออกเผยแพร่ครั้งแรกที่ 鏈新聞 ABMedia: คูณเมทริกซ์ 4×4 รีเฟรชสถิติ Strassen ปี 1969 และฝึก Gemini เร็วขึ้น 1%
