AlphaEvolve: новый ИИ пишет гениальный код, ломает науку и делает вид, что это легко. Как? Без понятия
NewsMakerОн не знает, что такое выходные, кофе и дедлайны. Но знает, как сократить 1000 операций за миллисекунду.
Google DeepMind разработала алгоритмическую систему, способную превзойти человеческие решения в математике и программировании. Новый инструмент AlphaEvolve не только справляется с теоретическими задачами, но и совершенствует критически важные процессы в реальном мире.
В основе технологии лежит необычный принцип: система задействует языковые модели Gemini 2.0 для создания программного кода, а затем методично улучшает полученные варианты. После анализа каждого решения AlphaEvolve отбирает перспективные находки и отправляет их на доработку, отбрасывая неудачные попытки. Процесс продолжается до тех пор, пока не будет найден оптимальный алгоритм.
Практические результаты впечатляют: усовершенствованное программное обеспечение уже больше года управляет распределением вычислительных задач между миллионами серверов Google. Оптимизация высвободила 0,7% общей мощности дата-центров компании — экономия, которая в глобальном масштабе равноценна работе нескольких крупных серверных комплексов.
Система блестяще проявила себя в решении фундаментальных математических проблем. Классический пример — умножение матриц, базовая операция для искусственного интеллекта и компьютерной графики. AlphaEvolve проанализировала 16 тысяч вариантов кода и нашла способы ускорить вычисления для матриц 14 различных размеров. Особенно значимо достижение с матрицами четвёртого порядка: предыдущий рекорд, установленный системой AlphaTensor, работал только с нулями и единицами, а новый метод применим к любым числам.
В области анализа Фурье, математического аппарата для сжатия данных, AlphaEvolve усовершенствовала алгоритмы быстрого преобразования сигналов. Эти улучшения напрямую влияют на качество потокового видео и звука, позволяя эффективнее сжимать информацию без потери качества. Система также продвинулась в решении задачи минимального перекрытия, сформулированной Полом Эрдёшем в 1955 году, и проблемы чисел поцелуев, которую поставил Исаак Ньютон. Последняя имеет важные приложения в материаловедении и криптографии, помогая оптимально размещать атомы в кристаллических решётках и шифровать данные.
Значительный прорыв произошёл в оптимизации специализированных микросхем Google для тензорных вычислений. AlphaEvolve модифицировала схемы распределения нагрузки и энергопотребления, что позволило существенно снизить расход электроэнергии без потери производительности. Более того, инструмент усовершенствовал механизмы параллельной обработки данных при обучении моделей Gemini, ускорив этот ресурсоёмкий процесс.
Технология использует двухступенчатый подход к генерации решений. Сначала быстрая версия Gemini 2.0 Flash создаёт множество вариантов кода. Затем более мощная модель Gemini 2.0 Pro анализирует сложные случаи, где требуется глубокое понимание задачи. Система постоянно сравнивает новые результаты с предыдущими, иногда возвращаясь к ранним версиям, чтобы избежать тупиковых путей развития.
В математических дисциплинах AlphaEvolve проверили на 50 классических задачах разной сложности. В трёх четвертях случаев инструмент достиг уровня существующих методов, а в каждом пятом — создал принципиально новые решения. Якоб Моосбауэр, специалист из Университета Уорика, отмечает уникальность подхода: вместо поиска конкретных ответов система разрабатывает универсальные алгоритмы для целых классов проблем.
Особенно интересным оказалось случайное совпадение: математики из австрийского Университета Иоганна Кеплера независимо обнаружили некоторые оптимизации умножения матриц, найденные искусственным интеллектом. Профессор Мануэль Кауэрс, один из авторов исследования, подчёркивает важность параллельного развития различных методов анализа: каждый новый способ решения старых задач приближает фундаментальный прорыв в понимании базовых математических операций.
Пушмит Кохли, руководитель направления AI for Science в Google DeepMind, видит широкие перспективы применения технологии. AlphaEvolve может работать с любой задачей, которую возможно описать программным кодом и оценить результат машинным способом. Ограничения касаются лишь тех областей, где требуется человеческая интерпретация данных — например, при анализе лабораторных экспериментов с неоднозначными результатами.
Матей Балог, возглавляющий группу разработки алгоритмов, рассказывает о принципиальном отличии нового инструмента от предшественников. FunSearch, созданный годом ранее, генерировал короткие фрагменты кода для узкоспециализированных проблем. AlphaEvolve способен писать сложные программы объёмом в сотни строк, что радикально расширяет спектр решаемых вопросов.
Британские исследователи указывают на один существенный недостаток: хотя система находит эффективные решения, она не объясняет логику своих действий. Это затрудняет теоретическое осмысление полученных результатов и их дальнейшее развитие человеческими усилиями. Тем не менее, практическая ценность технологии неоспорима — она уже помогает оптимизировать критически важные процессы в масштабах крупнейших вычислительных инфраструктур мира.
Команда Google DeepMind продолжает совершенствовать свою разработку. В ближайших планах — расширение библиотеки базовых алгоритмов и улучшение механизмов взаимодействия между быстрыми и глубокими моделями искусственного интеллекта. Учёные полагают, что текущие достижения — лишь первые шаги к созданию универсальных систем алгоритмического поиска, способных революционизировать подход к решению сложных математических и инженерных задач.
Google DeepMind разработала алгоритмическую систему, способную превзойти человеческие решения в математике и программировании. Новый инструмент AlphaEvolve не только справляется с теоретическими задачами, но и совершенствует критически важные процессы в реальном мире.
В основе технологии лежит необычный принцип: система задействует языковые модели Gemini 2.0 для создания программного кода, а затем методично улучшает полученные варианты. После анализа каждого решения AlphaEvolve отбирает перспективные находки и отправляет их на доработку, отбрасывая неудачные попытки. Процесс продолжается до тех пор, пока не будет найден оптимальный алгоритм.
Практические результаты впечатляют: усовершенствованное программное обеспечение уже больше года управляет распределением вычислительных задач между миллионами серверов Google. Оптимизация высвободила 0,7% общей мощности дата-центров компании — экономия, которая в глобальном масштабе равноценна работе нескольких крупных серверных комплексов.
Система блестяще проявила себя в решении фундаментальных математических проблем. Классический пример — умножение матриц, базовая операция для искусственного интеллекта и компьютерной графики. AlphaEvolve проанализировала 16 тысяч вариантов кода и нашла способы ускорить вычисления для матриц 14 различных размеров. Особенно значимо достижение с матрицами четвёртого порядка: предыдущий рекорд, установленный системой AlphaTensor, работал только с нулями и единицами, а новый метод применим к любым числам.
В области анализа Фурье, математического аппарата для сжатия данных, AlphaEvolve усовершенствовала алгоритмы быстрого преобразования сигналов. Эти улучшения напрямую влияют на качество потокового видео и звука, позволяя эффективнее сжимать информацию без потери качества. Система также продвинулась в решении задачи минимального перекрытия, сформулированной Полом Эрдёшем в 1955 году, и проблемы чисел поцелуев, которую поставил Исаак Ньютон. Последняя имеет важные приложения в материаловедении и криптографии, помогая оптимально размещать атомы в кристаллических решётках и шифровать данные.
Значительный прорыв произошёл в оптимизации специализированных микросхем Google для тензорных вычислений. AlphaEvolve модифицировала схемы распределения нагрузки и энергопотребления, что позволило существенно снизить расход электроэнергии без потери производительности. Более того, инструмент усовершенствовал механизмы параллельной обработки данных при обучении моделей Gemini, ускорив этот ресурсоёмкий процесс.
Технология использует двухступенчатый подход к генерации решений. Сначала быстрая версия Gemini 2.0 Flash создаёт множество вариантов кода. Затем более мощная модель Gemini 2.0 Pro анализирует сложные случаи, где требуется глубокое понимание задачи. Система постоянно сравнивает новые результаты с предыдущими, иногда возвращаясь к ранним версиям, чтобы избежать тупиковых путей развития.
В математических дисциплинах AlphaEvolve проверили на 50 классических задачах разной сложности. В трёх четвертях случаев инструмент достиг уровня существующих методов, а в каждом пятом — создал принципиально новые решения. Якоб Моосбауэр, специалист из Университета Уорика, отмечает уникальность подхода: вместо поиска конкретных ответов система разрабатывает универсальные алгоритмы для целых классов проблем.
Особенно интересным оказалось случайное совпадение: математики из австрийского Университета Иоганна Кеплера независимо обнаружили некоторые оптимизации умножения матриц, найденные искусственным интеллектом. Профессор Мануэль Кауэрс, один из авторов исследования, подчёркивает важность параллельного развития различных методов анализа: каждый новый способ решения старых задач приближает фундаментальный прорыв в понимании базовых математических операций.
Пушмит Кохли, руководитель направления AI for Science в Google DeepMind, видит широкие перспективы применения технологии. AlphaEvolve может работать с любой задачей, которую возможно описать программным кодом и оценить результат машинным способом. Ограничения касаются лишь тех областей, где требуется человеческая интерпретация данных — например, при анализе лабораторных экспериментов с неоднозначными результатами.
Матей Балог, возглавляющий группу разработки алгоритмов, рассказывает о принципиальном отличии нового инструмента от предшественников. FunSearch, созданный годом ранее, генерировал короткие фрагменты кода для узкоспециализированных проблем. AlphaEvolve способен писать сложные программы объёмом в сотни строк, что радикально расширяет спектр решаемых вопросов.
Британские исследователи указывают на один существенный недостаток: хотя система находит эффективные решения, она не объясняет логику своих действий. Это затрудняет теоретическое осмысление полученных результатов и их дальнейшее развитие человеческими усилиями. Тем не менее, практическая ценность технологии неоспорима — она уже помогает оптимизировать критически важные процессы в масштабах крупнейших вычислительных инфраструктур мира.
Команда Google DeepMind продолжает совершенствовать свою разработку. В ближайших планах — расширение библиотеки базовых алгоритмов и улучшение механизмов взаимодействия между быстрыми и глубокими моделями искусственного интеллекта. Учёные полагают, что текущие достижения — лишь первые шаги к созданию универсальных систем алгоритмического поиска, способных революционизировать подход к решению сложных математических и инженерных задач.