谷歌DeepMind团队推出AlphaEvolve，这是一款基于Gemini 2.0大语言模型的革命性编码工具，旨在自动化算法发现过程。它通过结合进化计算和自动化评估，自主生成、改进算法代码，突破了传统算法设计依赖专家直觉和手动迭代的局限性。AlphaEvolve在数学研究、硬件设计和编译器优化等领域展现出强大的能力，例如在“亲吻数问题”中找到了新的更优解，并改进了复杂矩阵乘法算法。该系统目前对需现实实验验证的问题效果有限，但DeepMind正在探索结合语言模型进行初步定性评估的混合方法。

💡AlphaEvolve基于Gemini 2.0大语言模型，通过结构化反馈循环不断提出、评估和优化候选方案，逐步逼近最优解，其系统架构支持异步分布式运行，灵活应对各类问题。

🧪AlphaEvolve的核心在于多组件协同工作，包括提示构建模块、Gemini 2.0混合模型、评估框架和进化循环，这些组件共同作用，实现了算法的自主生成和改进。

🧮在数学研究中，AlphaEvolve在多个公开数学问题上表现出色，不仅重现了已知解，还发现了更优解，例如在“亲吻数问题”中为11维情况找到了一种新配置。

🚀在通用性方面，AlphaEvolve在Erdős最小重叠问题、硬件设计和编译器优化中均有突出表现，为TPU电路和FlashAttention执行带来了显著性能提升。

🌱AlphaEvolve最适合可算法化表达并自动评估的问题，DeepMind认为其在材料研究、药物开发和工业流程优化等领域具有广阔前景，标志着自动化算法发现的新里程碑。

IT之家 5 月 15 日消息，科技媒体 marktechpost 昨日（5 月 14 日）发布博文，报道称谷歌 DeepMind 团队推出革命性编码工具 AlphaEvolve，基于 Gemini 2.0 大语言模型（LLMs），自动化算法发现过程，解决传统算法设计和科学发现中依赖专家直觉和手动迭代的局限性。

AlphaEvolve 结合进化计算和自动化评估，自主生成、改进算法代码。不同于普通代码助手，AlphaEvolve 能通过结构化反馈循环不断提出、评估和优化候选方案，逐步逼近最优解，其系统架构支持异步分布式运行，灵活应对从构造函数到整个优化流程的各类问题。

AlphaEvolve 的核心在于其多组件协同工作：提示构建模块基于历史高分方案生成输入；Gemini 2.0 Pro 和 Flash 混合模型兼顾质量与速度；评估框架通过自定义评分函数量化算法表现；进化循环则利用历史程序数据库平衡探索与利用。

在数学研究中，AlphaEvolve 在 50 多个公开数学问题上表现出色，约 75% 的案例中重现了已知解，20% 的案例中发现了更优解。例如，在“亲吻数问题”（kissing number problem）中，它为 11 维情况找到了一种新配置，包含 593 个球体，刷新了下限记录。

IT之家注：接吻数问题（Kissing Number Problem）是一个几何学中的经典问题，旨在研究在 n 维欧几里得空间中，有多少个相同大小的球体可以同时接触一个中心球体，而彼此之间不重叠。这个最大数量被称为 n 维的“接吻数”。

此外，它还改进了 4x4 复杂矩阵乘法算法，仅用 48 次标量乘法完成计算，超越了 1969 年的经典 Strassen 方法，展现出在算法数学领域的创新能力。

在通用性方面，AlphaEvolve 的表现也非常值得关注。在 Erdős 最小重叠问题中，75% 的案例匹配最先进成果，20% 甚至超越现有方案。在硬件设计和编译器优化中，它为 TPU 电路和 FlashAttention 执行分别带来显著性能提升。

AlphaEvolve 最适合可算法化表达并自动评估的问题，DeepMind 认为其在材料研究、药物开发和工业流程优化等领域具有广阔前景。

该系统目前对需现实实验验证的问题效果有限，但 DeepMind 正在探索结合语言模型进行初步定性评估的混合方法。

相较于 2023 年推出的 FunSearch 系统，AlphaEvolve 不仅能解决数学问题，还能创建更广泛实用的完整算法，标志着自动化算法发现的新里程碑。