Google DeepMind ngày 7/5 (giờ Mỹ) công bố báo cáo thành tựu liên ngành của AlphaEvolve. Blog chính thức của DeepMind tổng hợp các tiến triển cụ thể của AlphaEvolve kể từ khi ra mắt: tìm ra phương pháp nhân ma trận vuông số phức 4×4 tốt hơn thuật toán Strassen năm 1969 (48 phép nhân vô hướng), hợp tác với các nhà toán học như Terence Tao để giải nhiều bài toán khó dạng Erdős, giúp tiết kiệm 0,7% tài nguyên tính toán toàn cầu cho trung tâm dữ liệu của Google, tăng tốc 23% tốc độ các kernel then chốt khi huấn luyện Gemini, và giảm 1% tổng thời gian huấn luyện Gemini.
Kiến trúc: tác nhân theo hướng tiến hoá với Gemini Flash thăm dò theo chiều rộng + Gemini Pro đánh giá theo chiều sâu
AlphaEvolve là một agent mã hoá theo kiểu tiến hoá, được thiết kế cho việc phát hiện và tối ưu thuật toán tổng quát:
Gemini Flash—tối đa hoá độ rộng cho ý tưởng thăm dò
Gemini Pro—đưa ra các góp ý phê phán sâu sắc
Bộ đánh giá tự động—xác minh từng đáp án ứng viên và cung cấp phản hồi
Khung tiến hoá—liên tục lặp lại dựa trên phản hồi đánh giá, giữ lại các lời giải hứa hẹn nhất
Cấu trúc này cho phép AlphaEvolve liên tục tạo và thử nghiệm lời giải cho các bài toán mở mà không cần con người chỉ dẫn trước, phù hợp với các lĩnh vực mà “đáp án có thể được tự động xác minh” (bài toán thuật toán, toán học, tối ưu hoá).
Thành tựu toán học: cập nhật kỷ lục nhân ma trận 4×4, hợp tác với Terence Tao để giải các bài toán Erdős
AlphaEvolve đạt được tiến triển cụ thể trong toán học và khoa học máy tính:
Nhân ma trận giá trị phức 4×4: tìm ra thuật toán chỉ cần 48 phép nhân vô hướng, vượt kết quả tốt nhất mà Strassen năm 1969 đưa ra
Hợp tác với các nhà toán học nổi tiếng như Terence Tao để cùng giải nhiều bài toán mở thuộc họ Erdős
Thuật toán Strassen là một trong các lời giải tốt nhất lâu dài về độ phức tạp tính toán của phép nhân ma trận; trong bài toán này, AlphaEvolve đã phá vỡ kỷ lục hàng chục năm, là một ví dụ cụ thể về việc “AI Agent tìm ra lời giải mới ở ranh giới toán học”.
Thành tựu hạ tầng: trung tâm dữ liệu của Google tiết kiệm năng lượng, sai số mạch lượng tử giảm 10×
AlphaEvolve được ứng dụng trong hệ thống nội bộ của Google:
Trung tâm dữ liệu: tìm ra phương pháp lập lịch nhiệm vụ tốt hơn, thu hồi trung bình 0,7% tài nguyên tính toán toàn cầu
Huấn luyện Gemini: tốc độ kernel then chốt tăng 23%, tổng thời gian huấn luyện giảm 1%
Vật lý lượng tử: trên bộ xử lý lượng tử Willow của Google, sai số mạch lượng tử do AlphaEvolve thiết kế thấp hơn nền tảng tối ưu hoá tốt nhất theo truyền thống 10 lần, giúp mô phỏng phân tử phức tạp có thể chạy trên Willow
Tối ưu hoá lưới điện: nâng tỷ lệ lời giải khả thi cho bài toán AC Optimal Power Flow từ 14% lên hơn 88%
Khoa học Trái Đất: tự động hoá mô hình tối ưu Earth AI, độ chính xác dự báo rủi ro thiên tai tăng 5%
Các sự kiện cụ thể có thể theo dõi tiếp theo: AlphaEvolve có được mở cho các nhà nghiên cứu bên ngoài dùng từ các công cụ nội bộ của Google hay không, những bước đột phá tiếp theo của chuỗi bài toán Erdős, và tiến độ thương mại hoá AlphaEvolve trên Google Cloud (DeepMind đã đăng trước trên blog của Google Cloud về các tích hợp liên quan).
Bài viết thành tích liên ngành của DeepMind AlphaEvolve: nhân ma trận 4×4 làm mới kỷ lục Strassen 1969, huấn luyện Gemini nhanh hơn 1% sớm nhất xuất hiện trên 鏈新聞 ABMedia.
Tuyên bố miễn trừ trách nhiệm: Thông tin trên trang này có thể đến từ bên thứ ba và không đại diện cho quan điểm hoặc ý kiến của Gate. Nội dung hiển thị trên trang này chỉ mang tính chất tham khảo và không cấu thành bất kỳ lời khuyên tài chính, đầu tư hoặc pháp lý nào. Gate không đảm bảo tính chính xác hoặc đầy đủ của thông tin và sẽ không chịu trách nhiệm cho bất kỳ tổn thất nào phát sinh từ việc sử dụng thông tin này. Đầu tư vào tài sản ảo tiềm ẩn rủi ro cao và chịu biến động giá đáng kể. Bạn có thể mất toàn bộ vốn đầu tư. Vui lòng hiểu rõ các rủi ro liên quan và đưa ra quyết định thận trọng dựa trên tình hình tài chính và khả năng chấp nhận rủi ro của riêng bạn. Để biết thêm chi tiết, vui lòng tham khảo
Tuyên bố miễn trừ trách nhiệm.
