在人工智慧領域，一個關鍵問題是模型產生真正新穎的想法或見解的頻率，而不僅僅是重複和重組已學習的內容。
來自Google DeepMind的一個新專案表明，透過一些巧妙的調整，這些模型至少可以在設計某些型別的演算法方面超越人類專業水平——包括對推進人工智慧本身有用的演算法。
該公司的最新AI專案，名為AlphaEvolve，結合了其Gemini AI模型的編碼技能、測試新演算法有效性的方法以及產生新設計的進化方法。
AlphaEvolve為幾種計算方法提出了更高效的演算法，包括一種涉及矩陣計算的方法，該方法優於已被依賴56年的Strassen演算法。這種新方法透過減少產生結果所需的計算次數來提高計算效率。
DeepMind還使用AlphaEvolve為幾個現實世界的問題提出更好的演算法，包括資料中心內的任務排程、計算機晶片設計草圖，以及最佳化用於構建大型語言模型（如Gemini本身）的演算法設計。
"這些是現代AI生態系統的三個關鍵元素，"DeepMind科學AI負責人Pushmeet Kohli說，"這個超人類編碼代理能夠承擔某些任務，並在解決方案方面遠遠超出已知範圍。"
AlphaEvolve研究負責人之一Matej Balog表示，通常很難知道大型語言模型是否提出了真正新穎的寫作或程式碼，但可以證明沒有人為某些問題找到更好的解決方案。"我們已經非常精確地證明，你可以發現一些可證明是新的且可證明是正確的東西，"Balog說，"你可以非常確定所發現的內容不可能存在於訓練資料中。"
專門研究演算法設計的普林斯頓大學科學家Sanjeev Arora表示，AlphaEvolve取得的進展相對較小，僅適用於涉及搜尋潛在答案空間的演算法。但他補充道："搜尋是一個適用於多種場景的相當普遍的概念。"
AI驅動的編碼正開始改變開發者和公司編寫軟體的方式。最新的AI模型使新手輕鬆構建簡單的應用和網站，一些有經驗的開發者正在使用AI自動化更多工作。
AlphaEvolve展示了AI透過持續實驗和評估提出完全新穎想法的潛力。DeepMind和其他AI公司希望AI代理將逐漸學會在多個領域展現更普遍的創造力，也許最終能夠為商業問題提供巧妙的解決方案，或在給定特定問題時產生新穎見解。
哥倫比亞大學研究演算法設計的助理教授Josh Alman表示，AlphaEvolve確實似乎在生成新想法，而不僅僅是重新混合訓練期間學到的內容。"它必須做一些新的事情，而不僅僅是重複，"他說。
DeepMind研究人員發現，他們有時可以透過提示給出一個演算法的想法併產生有趣的新結果。Alman表示，這引發了人類科學家可能與類似AlphaZero的系統合作的前景。"這對我來說看起來非常令人興奮，"他說。
AlphaEvolve並非DeepMind展示真正創造力的唯一程式。該公司著名的棋盤遊戲程式AlphaZero能夠透過自身的實驗形式提出原創招法和策略。Balog表示，他的團隊使用的進化方法可以與AlphaZero中採用的強化學習方法相結合——這是一個透過正負反饋讓程式學習的過程——以在其他領域探索新想法。
DeepMind之前的兩個專案也使用AI推動計算機科學的邊界。2022年的AlphaTensor使用強化學習方法產生新穎演算法。2024年的Fun Search使用進化方法為給定問題生成更高效的程式碼。
研究演算法如何影響技術進步的麻省理工學院科學家Neil Thompson表示，關鍵問題不僅在於AI演算法是否能展示原創性想法，還在於這種能力在多大程度上適用於科學研究和創新。
"如果這些能力可以用於解決更大、範圍不那麼嚴格的問題，它有潛力加速創新——從而帶來繁榮，"Thompson說。
你對AlphaEvolve有什麼看法？你希望AI解決哪些新穎問題？可以透過傳送電子郵件至hello@wired.com或在下方評論區新增來告訴我。
