Google Deepmind ha presentado Alphaevolve, un agente de IA avanzado que aprovecha sus modelos Gemini para descubrir y optimizar de forma autónoma algoritmos complejos. Este sistema está diseñado para abordar los desafíos fundamentales en las matemáticas y mejorar las aplicaciones de computación práctica, lo que significa un avance notable en la exploración científica basada en IA.
Alphaevolve La innovación central es su metodología, que combina la generación de código creativo de Gemini Pro para la profundidad y Gemini Flash para el Breadh. Algoritmos al evolucionar las bases de código enteras.
El nuevo agente de IA ya ha demostrado un impacto significativo en el mundo real en las operaciones de Google. según Google profunda de google Alphaevolucione mejoró el centro de datos, recuperando un promedio de un promedio de 0.7% de Google de Google. También contribuyó a optimizar el diseño de hardware para futuras TPU (unidades de procesamiento de tensor, aceleradores de IA personalizados de Google) y reducido el tiempo de capacitación de modelos de IA de Gemini en un 1%.
Más allá de estos ganancias internos, se dice que Alphaevolve ha logrado ruptura en las matemáticas de la matemática, ideando un algorithm más eficiente para el complejo de 4 × 4 × 4 × 4 × 4. El algoritmo de Strassen y las soluciones avanzadas para abrir problemas como el problema del número de besos.
DeepMind posiciona alphaevolve como una herramienta para aumentar la experiencia humana y acelerar el descubrimiento científico en varios campos. La compañía planea un programa de acceso temprano para usuarios académicos seleccionados, con a formulario de registro Disponible para partes interesadas.
cómo Alphaevolve Crafts y validan algorits
Proceso de múltiples etapas para diseño algorítmico. Utiliza un conjunto de los modelos Gemini de Google: el Gemini Flash más rápido explora una amplia gama de ideas potenciales, mientras que el Gemini Pro más potente proporciona sugerencias profundas y perspicaces para los programas informáticos que implementan estas soluciones algorítmicas.
Estos programas generados se someten a evaluación automatizada utilizando metros que evalúan objetivamente la cantidad y calidad de cada solución. Esta verificación es crucial, ya que AlphaEvolve está diseñada para problemas con soluciones”graduables de máquina”, como dice Google.
El sistema opera dentro de un marco evolutivo, aprendiendo de intentos pasados y refinando iterativamente los conceptos más prometedores, lo que le permite desarrollar algoritmos complejos mediante la evolución de los códigos enteros. Sin embargo, TechCrunch también señaló una limitación clave: Alphaevolve solo puede describir soluciones como algoritmos, lo que lo hace menos adecuado para problemas no numéricos.
impactos tangibles y fronteras matemáticas
Las aplicaciones prácticas de Alfaevolucionar dentro de Google ya están sustanciales. Su optimización de borg, el sistema de gestión de clúster a gran escala de Google ha estado en producción durante más de un año. En el hardware, Alphaevolve propuso una reescritura de Verilog (un lenguaje de descripción de hardware) para un circuito aritmético clave, un cambio integrado en una próxima TPU.
para el desarrollo de AI, aceleró un componente de software vital, o el kernel, en la arquitectura de Gemini por un 23% y optimizó las instrucciones de GPU de bajo nivel para el kernel del kernel de Gemini. La Compañía ha publicado un detallado Whitewaper
En Matemáticas puras, Alphaevolve diseñó partes de un nuevo procedimiento de optimización basado en gradientes, lo que lleva a nuevos algoritmos para la multiplicación de matriz. Su mejora en el algoritmo de 1969 de Strassen para las matrices 4 × 4 valoradas por complejo, utilizando 48 multiplicaciones escalares, supera el sistema especializado anterior de Deepmind, Alphatensor, en esta área específica.
Cuando se aplica a más de 50 soluciones matemáticas abiertas, incluyendo las soluciones de estado redescubridas de los casos de alphaevolve en aproximadamente el 75% de los casos y mejoran las soluciones de los casos de los cajas de Alphaevolve. Problema de número de besos. Estos resultados matemáticos están disponibles en a Google Colab Notebook .
context. AI Landscape
context. AI Landscape
Alphaevolve continúa el trabajo de Deepmind en la aplicación de IA al descubrimiento científico y matemático, siguiendo proyectos como Alphageometry2, que mostró éxito en la resolución de los problemas internacionales de la Olympiad Mathematical, y el Blog de la AI co-científica Iniciativa para la Investigación de Investigación de Generación de Investigaciones.”Un agente de codificación evolutivo impulsado por modelos de idiomas grandes para el descubrimiento y optimización de algoritmos de uso general”. DeepMind cree que podría ser transformador en campos como la ciencia del material y el descubrimiento de fármacos.
Sin embargo, el sistema no está exento de limitaciones. Si bien DeepMind destaca sus éxitos, TechCrunch observó que algunas mejoras fueron identificadas previamente por otras herramientas, lo que sugiere que Alphaevolve actualmente actúa más como un acelerador y un refinador en algunos casos.
Los modelos de Gemini subyacentes, como el recientemente actualizado Gemini 2.5 Pro, también han enfrentado una escrutina con respecto a la transparencia de la documentación de seguridad. Kevin Bankston del Centro de Democracia y Tecnología descrito d. Pro como”escasa”.
La propia investigación previa de Deepmind reconoció que”hasta que se mejore la velocidad del modelo y las alucinaciones se resuelven por completo, herramientas como motores simbólicos seguirán siendo esenciales para las aplicaciones de matemáticas”.