AlphaEvolve：在各行业扩展基于 Gemini 的算法发现

Google DeepMind 已将 AlphaEvolve——一种基于 Gemini 的编码代理，用于设计先进算法的应用，从最初的数学和计算机科学发现扩展到科学研究、工业基础设施和商业企业的广泛部署。

社会影响与可持续性

AlphaEvolve 通过优化专用模型，提高了关键健康和环境系统的准确性和效率。

• 基因组学: 通过改进 DeepConsensus（DNA 测序错误校正模型），AlphaEvolve 将变体检测错误降低了 30%，为 PacBio 实现了更准确且成本更低的基因数据分析。
• 电网优化: 在交流最优潮流（AC Optimal Power Flow）问题中，AlphaEvolve 将已训练的图神经网络（GNN）模型找到可行解的能力从 14% 提升至超过 88%，从而降低了电网中昂贵的后处理需求。
• 地球科学: 通过对 Earth AI 模型的自动化优化，系统将自然灾害风险预测（涵盖包括洪水和野火在内的 20 类）的整体准确率提升了 5%。

科学研究与数学

AlphaEvolve 充当研究伙伴，加速量子计算和理论数学的发现。

• 量子物理: AlphaEvolve 提出了错误率比传统优化基线低 10 倍的量子电路，使得在 Google 的 Willow 量子处理器上进行复杂分子模拟成为可能。
• 数学: 该代理与包括陶哲轩在内的数学家合作，帮助解决 Erdœs 问题。陶指出，这个工具使数学家能够“快速测试潜在不等式的反例，或确认我们对极值函数的猜想”，从而促进严谨证明的发现。
• 数学记录: AlphaEvolve 提高了拉姆齐数和旅行商问题的下界。

AI 与计算基础设施

AlphaEvolve 现已成为 Google 内部基础设施的核心组件，优化硬件和软件堆栈。

• 硬件设计: 该代理优化了下一代 TPU 的设计。Jeff Dean 表示，它提出的电路设计效率极高，直接集成到了硅片中。
• 系统效率:
  • 缓存替换: AlphaEvolve 在两天内发现了更高效的缓存替换策略，而这项任务以前需要人类数月才能完成。
  • Google Spanner: 系统改进了日志结构合并树（Log-Structured Merge-tree）的压缩启发式算法，将写放大降低了 20%。
  • 编译器: 该代理发现的新编译器优化策略将软件存储占用降低了近 9%。

商业应用

通过 Google Cloud，AlphaEvolve 已部署用于优化各企业的高维数据和训练过程：

• 金融服务（Klarna）: 将其最大变压器模型之一的训练速度提升了一倍，同时提升了模型质量。
• 半导体制造（Substrate）: 其计算光刻框架的运行速度实现了数倍提升，支持更大规模的半导体模拟。
• 物流（FM Logistic）: 将旅行商问题的路径效率提升了 10.4%，每年节省超过 15,000 公里的行程。
• 营销（WPP）: 在处理高维营销活动数据时，相比手动模型优化实现了 10% 的准确率提升。
• 生命科学（Schrödinger）: 在机器学习力场（MLFF）的训练和推理方面实现了约 4 倍的加速，Gabriel Marques 表示，这使得公司能够“在几天而非几个月内筛选分子候选”。