AI 代理正在改寫 AI 在科學與工程領域的應用潛力。Google DeepMind 宣布推出一款 AI 寫程式代理「AlphaEvolve」，並已在 Google 資料中心實測超過一年，表示釋放了 Google 全球 0.7% 的運算資源──對於 Google 的規模來說，這是大幅的效率提升，《VentureBeat》計算，相當於省下數百萬美元的運算成本。
AlphaEvolve 的能力不僅限於發掘單一函式（function），還包括逐步進化整個程式碼庫，並開發出更為複雜的演算法。Google DeepMind 科學 AI 團隊的副總裁 Pushmeet Kohli 表示：「你可以把 AlphaEvolve 看作是一種超級寫程式代理，它不只是提出一段程式或修改建議，而是能產出一個也許沒有人想過的成果。」
Gemini 結合演化機制，打造數位演算法工廠
AlphaEvolve 與寫程式的 AI 工具相比，關鍵差異在於採用演化式方法（evolutionary approach）。AlphaEvolve 同時運用兩種 Gemini 2.0 模型：速度快的 Gemini Flash 和能深入分析的 Gemini Pro，針對現有程式碼提出修改建議。每一版變化都會由自動評估器進行測試與評分，表現最佳的演算法會進一步引導下一輪演化方向。
AlphaEvolve 不只是根據訓練資料產生程式碼，也會主動探索解決空間，發現全新方法，並透過自動化評估程序進行反覆優化，產生出人類從未構思過的創新解法。
Google DeepMind 工程總監 Novikov 解釋：「我們這套方法的關鍵之一，是聚焦於那些有明確評估標準的問題。對於任何一段解法或程式碼，我們都能自動驗證其正確性並量化品質，這讓我們能建立快速而可靠的回饋機制來優化整個系統。」
從資料中心到晶片設計，Google 如何應用 AlphaEvolve？
Google 已將 AlphaEvolve 應用於多項內部基礎設施，包括資料中心、晶片設計與 AI 訓練。
針對資料中心，AlphaEvolve 為 Google 的 Borg 集群排程系統，設計出一套全新的排程啟發式演算法，可針對「資源受限」機器進行優化調度。這組演算法平均可持續釋出 Google 0.7% 運算資源。《VentureBeat》指出，更重要的是，AlphaEvolve 所產生的程式碼結構簡潔、可讀性高，工程師能直接理解、除錯與部署。
AlphaEvolve 也被應用於 Google 的硬體設計，重寫了一段用於 TPU 運算電路的 Verilog 程式，刪除不必要的邏輯位元。該修改經設計團隊驗證正確性後，已納入即將推出的 TPU 晶片設計流程中。
有趣的是，AlphaEvolve 也回過頭來優化訓練 Gemini 所用的矩陣乘法核心模組，根據 Google DeepMind，整體運算速度提升 23%，讓訓練時間縮短 1%。對於需大量算力訓練的生成式 AI 系統而言，這類效率提升代表節省能源和資源。
打破 56 年數學紀錄，AlphaEvolve 超越人類解法
在基礎科學領域，AlphaEvolve 在矩陣乘法問題上，成功打破由 1969 年德國數學家 Volker Strassen 創下的紀錄。AlphaEvolve 發現可用 48 次純量運算，完成兩個 4×4 複數矩陣相乘，超越原本需 49 次的最佳解。
AlphaEvolve 也被拿來挑戰超過 50 項公開數學難題，包括傅立葉分析、數論中的最小重疊問題、以及歷史悠久的 kissing number 幾何問題。根據 Google DeepMind，在這些挑戰中，AlphaEvolve 約有 75% 的結果與現有最佳解持平，並在約 20% 的問題中產生更優解。
Google 下一步：開放研究人員試用、探索跨領域應用
Google 表示，AlphaEvolve 將開放給特定學術機構進行早期測試，並與 People + AI Research 團隊合作打造可互動的使用介面。未來也將探索 AlphaEvolve 在材料科學、藥物研發與永續技術等領域的應用潛力。
Google DeepMind 研究員 Matej Balog 表示，「這是我們第一次看到，一個 AI 工具能從純演算法探索直接轉化為在全球規模部署的實際應用。」
【推薦閱讀】
◆ 【工程師升格 AI 指揮官】專家指開發流程已被 AI 重塑，工程師地位將更勝以往
＊本文部分初稿由 AI 生成，經《TechOrange》編撰，資料來源：《MIT Technology Review》、《VentureBeat》、Google Cloud，首圖來源：Unsplash。
