1. 首頁 > 生活百科 > >

陶哲軒看傻：三破18年數學紀錄，谷歌推出「AI愛迪生」，科研不再靠靈感？

b站工業化廣播劇

陶哲軒看傻：三破18年數學紀錄，谷歌推出「AI愛迪生」，科研不再靠靈感？

文章圖片

陶哲軒看傻：三破18年數學紀錄，谷歌推出「AI愛迪生」，科研不再靠靈感？

文章圖片

陶哲軒看傻：三破18年數學紀錄，谷歌推出「AI愛迪生」，科研不再靠靈感？

文章圖片

陶哲軒看傻：三破18年數學紀錄，谷歌推出「AI愛迪生」，科研不再靠靈感？

文章圖片

陶哲軒看傻：三破18年數學紀錄，谷歌推出「AI愛迪生」，科研不再靠靈感？

在5月中旬 ， 谷歌發布了AlphaEvolve 。 不僅30天內攻克了18年未解的難題 ， 或將開啟了一場無需「靈感」的科學革命：未來 ， 科學家將不再依賴直覺 ， 而是靠AI解決難題！
5月中旬 ， 谷歌在科學和計算領域投下了重磅炸彈：AlphaEvolve 。
利用Gemini模型 ， 它發現全新的算法 。
比如說 ， 僅用30天 ， AlphaEvolve與人類聯手三度攻克一項封塵18年的數學難題！對此 ， 知名華人數學家陶哲軒略感驚訝 。
不僅在計算機科學和數學取得重大進展 ， AI甚至可能影響到更廣泛的科學領域 。
它不僅僅是生成文本工具 ， 更不是簡單的模板生成器 。 它喻示了AI的無限可能 ， 就像AlphaGo的「神之一手」 ， 展現了人類從未做過的突破 。
這甚至可能是邁向AI自我改進的一步 。
在深度對話中 ， 華人投資家Sarah Guo（郭睿）采訪了谷歌DeepMind科學與戰略副總裁Pushmeet Kohli（下圖左） ， 以及研究科學家Matej Balog（下圖右） 。
他們分享了AlphaEvolve的背后故事 。 除了數學和計算機科學 ， 他們也進一步暢想：AlphaEvolve背后的理念 ， 是否還能顛覆更多基礎科學領域？
AlphaEvolve證明靠智能取代「運氣」 ， 也能顛覆科學 。 AlphaEvolve ， 或許正開啟一場不靠「靈感」的科學革命 。

AlphaEvolve：陶哲軒震驚的進步DeepMind的使命是負責任地構建人工智能 ， 造福人類 。 這些年來 ， DeepMind一直在科學領域尋找新算法 。
AlphaEvolve有什么不一樣？
Pushmeet Kohli認為區別可以從歷史上來看 。
一切從AlphaGo說起 。
AlphaGo不僅能夠高效地探索圍棋的所有可能局面 ， 而且能夠提出當時最佳走法 。 在幾十年的圍棋歷史中 ， 人類都沒有發現這種下法 。
某種意義上 ， AlphaGo是AI智能體 。 在龐大的搜索空間中 ， 它可以高效探索并提出最優解 。 這種能力讓人們感到驚訝 ， 因為圍棋非常復雜 ， 科學家們認為AI能夠在這一領域取得突破還需要很長時間 。
從AlphaGo的工作中 ， DeepMind得到啟發：
如果AI能夠如此高效地搜索圍棋的所有可能局面 ， 那么是否可以利用類似的思想去搜索算法空間呢？
這就是開始研發AlphaTensor工作的基礎 。
幾十年來 ， 人們認為矩陣乘法的復雜度是立方級別的 。 也就是說 ， 如果你有兩個矩陣 ， 矩陣的維度是n ， 那么計算的時間復雜度是n3 。
50多年前 ， 德國數學家Strassen提出了一種非常反直覺的方法 ， 證明了：實際上 ， 矩陣乘法的復雜度比原來預想的要低 。
通過搜索 ， AlphaTensor發現了比之前所知的算法更高效的解決方案 。 它不僅在效率上超越了傳統算法 ， 而且這個結果還證明了AI可以實現超人級別的突破 。
但問題是 ， AlphaTensor專門針對矩陣乘法設計 。 那么 ， 能否將這種方法推廣到更一般的問題中呢？這就引出了對AlphaEvolve的進一步探索 。
AlphaEvolve不僅能夠處理特定的任務 ， 它更具普適性 ， 可以處理更廣泛的問題 。
AlphaEvolve利用了與AlphaTensor相似的進化算法 。 但它不再局限于矩陣乘法的特定問題 ， 而是能夠在更廣泛的編程空間中搜索 ， 提出解決方案 。

不斷進化 ， 自我改進聽起來AlphaEvolve類似于進化選擇對吧？它是如何進行每一代的改進的？
在每一代過程中 ， AlphaEvolve不斷改進 ， 每一代都基于上一代的強解進行優化 。
通過基因池和評估函數 ， 確保每一代的改進都能夠提高整體的解的質量 ， 同時保持了多樣性 ， 以便在龐大的搜索空間中發現最佳解決方案 。
那這種進化過程的規模如何呢？如何控制模型的迭代次數？
關于這個問題 ， AlphaEvolve有一個很棒的特性 ， 就是它能夠適應問題的難度 。
如果AlphaEvolve被要求解決一個相對簡單的問題 ， 它幾乎能立即得到答案；但如果是一個非常復雜的問題 ， 那么解決方案可能需要更長時間 ， 更多的代次來不斷改進 。
但令人欣慰的是 ， AlphaEvolve可以持續改進 ， 即使是在面對難度極大的問題時 ， 它仍能不斷提高 。
【陶哲軒看傻：三破18年數學紀錄，谷歌推出「AI愛迪生」，科研不再靠靈感？】這非常有價值 ， 因為在持續優化時 ， 許多傳統的系統往往會在早期就遇到瓶頸 ， 無法繼續改進 。
至于預測需要多少代才能達到最優解 ， 這個問題比較復雜 。 問題的難度 ， 無法預料 ， 尤其是在科學領域 ， 一些看似簡單的問題實際上可能非常難 ， 反之亦然 。 但幸運的是 ， 只要持續運行AlphaEvolve ， 它會隨著時間的推移不斷得到更好的結果 。

對編碼智能體的意義與一般的編碼智能體相比 ， AlphaEvolve有何不同之處？
與一般的編碼智能體相比 ， AlphaEvolve的優勢在于它能夠處理更復雜的任務 ， 并且具有更高的效率和創造性 。
在面對復雜或模糊的任務時 ， 大多數通用編碼智能體 ， 容易陷入困境或產生錯誤 ， 因為它們通常依賴于直接的任務說明 ， 而這些說明往往不夠精確 ， 或者它們沒有很強的判斷能力 。
而AlphaEvolve則依賴嚴格的評估函數 。 它能夠區分有效的解決方案與無效的解決方案 。
它的「創造性」不僅僅體現在提出新算法上 ， 還表現在對解決方案進行有效評估和優化的能力上 。
每當提出一個新解決方案時 ， 評估函數會幫助判斷它是否有效 。
例如 ， 在優化數據中心調度時 ， 評估函數可能是一個模擬器 ， 它能夠根據給定的調度算法來判斷該算法在現實中的表現如何 。
這個評估過程幫助Alpha Evolve更準確地搜索解決方案空間 。
那對于開發者來說 ， 設計好的評估函數確實非常具有挑戰性 。 你需要明確什么樣的結果才是好的解決方案 。 在某些情況下 ， 開發者可以使用現有的模擬器來進行評估 ， 而在其他更復雜的情況下 ， 可能需要開發定制化的評估工具 。
評估函數不僅要能判斷方案的好壞 ， 還要能夠在不同的任務中靈活應用 。 比如 ， 在數據中心調度優化問題中 ， 評估函數的復雜性可能遠高于一些較簡單的任務 。
這也是為什么強調評估函數在AI系統中的重要性 ， 只有擁有了精確的評估函數 ， AI才能有效地進行創新 。
左圖：AlphaEvolve為谷歌的工作負載和容量量身定制的啟發式函數；右圖：對該啟發式評分函數的可視化展示

科學家轉變角色Matej Balog和Pushmeet Kohli都認為：未來 ， 科學家的角色會發生一些變化 。
可以想象 ， 在未來 ， 科學家們將更多地專注于如何定義問題、設計評估函數 ， 以及如何解釋AI生成的結果 。
AI將成為科學家們的強大工具 ， 幫助他們更快解決復雜的問題 。
AI不僅僅給出答案 ， 還提供算法 ， 科學家們可以通過研究算法來理解背后的原理 ， 這對于深入理解問題和解決方案非常重要 。
這正是AlphaEvolve稱霸多個領域的原因 。
數學家和科學家不僅能看到最終的解決方案 ， 還能理解到達這個解的路徑 ， 這種新的視角對推動科學發展至關重要 。
此外 ， AlphaEvolve不僅僅推動技術創新 ， 還有助于科學家發掘新的思維方式 ， 挑戰現有的認知框架 。
AlphaEvolve的問世 ， 標志著科學研究進入了一個嶄新的時代 。 它不僅在算法領域創造了奇跡 ， 更為未來的科學革命鋪設了道路 。
在AlphaEvolve的推動下 ， 或許我們即將見證：科學 ， 不再依賴「靈感」 ， 而是靠「智能」 。

參考資料：https://www.youtube.com/watch?v=2Fs6VZpsiMQ

    推薦閱讀