AlphaEvolve：擴展 Gemini 驅動的演算法發現於各行各業

Google DeepMind 已將 AlphaEvolve——一個 Gemini 驅動的程式編寫代理，從最初的數學與計算機科學發現，擴展至科學研究、工業基礎設施與商業企業的廣泛部署。

社會影響與永續性

AlphaEvolve 透過優化專用模型，提升了關鍵健康與環境系統的準確性與效率。

• 基因組學： 透過改進 DeepConsensus（DNA 序列錯誤校正模型），AlphaEvolve 將變異檢測錯誤降低了 30%，使 PacBio 能以更高的準確度與更低的成本進行基因資料分析。
• 電網優化： 在交流最佳潮流問題中，AlphaEvolve 將訓練好的圖神經網路（GNN）模型找到可行解的能力從 14% 提升至超過 88%，減少了電網中昂貴的後處理需求。
• 地球科學： 該系統透過自動化優化 Earth AI 模型，使自然災害風險（包括洪水、野火等 20 種類別）的整體預測準確度提升了 5%。

科學研究與數學

AlphaEvolve 作為研究夥伴，加速量子計算與理論數學的發現。

• 量子物理： AlphaEvolve 提出錯誤率比傳統最佳化基線低 10 倍的量子電路，使得在 Google 的 Willow 量子處理器上執行複雜分子模擬成為可能。
• 數學： 該代理協助解決 Erdœs 問題，與包括 Terence Tao 在內的數學家合作。Tao 指出，此工具讓數學家「快速測試潛在的不等式以尋找反例，或確認我們對極值者的假設」，從而促進嚴謹證明的發現。
• 數學紀錄： AlphaEvolve 提升了 Ramsey 數與旅行推銷員問題的下界。

AI 與計算基礎設施

AlphaEvolve 現已成為 Google 內部基礎設施的核心組件，優化硬體與軟體堆疊。

• 硬體設計： 該代理優化了下一代 TPU 的設計。根據 Jeff Dean 的說法，它提出的電路設計效率極高，直接被整合進矽晶片。
• 系統效率：
  • 快取置換： AlphaEvolve 在兩天內發現了更有效的快取置換策略，此前此任務需人類耗時數月。
  • Google Spanner： 系統改進了 Log-Structured Merge-tree 壓縮啟發式方法，將寫入放大降低了 20%。
  • 編譯器： 代理發現的新編譯器優化策略將軟體儲存占用減少了近 9%。

商業應用

透過 Google Cloud，AlphaEvolve 已部署於多家企業，以優化高維資料與訓練流程：

• 金融服務（Klarna）： 將其最大變壓器模型之一的訓練速度提升兩倍，同時改善模型品質。
• 半導體製造（Substrate）： 其計算光刻框架的執行速度提升多倍，允許更大規模的半導體模擬。
• 物流（FM Logistic）： 旅行推銷員問題的路徑效率提升 10.4%，每年節省超過 15,000 公里行程。
• 行銷（WPP）： 在處理高維度活動資料時，較手動模型優化提升了 10% 的準確度。
• 生命科學（Schrödinger）： 在機器學習力場（MLFF）訓練與推論上提升約 4 倍速度，Gabriel Marques 表示，這使公司能「在數天而非數月內篩選分子候選者」。