Google Cloud 上的 AlphaEvolve：面向智能体发现和优化的 AI

科学和工程领域的创新者们面临着一个共同的障碍：解决复杂问题的搜索空间（例如设计新芯片或发现药物分子）通常过于庞大，以至于标准的蛮力方法难以有效地进行探索。

为了帮助您克服这一挑战，我们将在 Google Cloud 上发布 AlphaEvolve——一款由 Gemini 驱动的高级算法设计编码智能体，并提供私有预览版。

科学创新者面临的挑战

世界上许多最具挑战性和潜在价值的问题都与优化有关。例如，你可能正在尝试最大限度地降低数据中心的延迟，最大限度地提高蛋白质的稳定性，或者为物流车队寻找最有效的路线。

AlphaEvolve 将我们 Gemini 模型的创造性问题解决能力与验证答案的自动评估器相结合，并对最有前景的想法采用持续进化的框架不断改进。

然后，它将这些更改基于您定义的“真实情况”评估器进行测试。如果新代码表现更好，它就会成为下一代的原始代码。这会形成一个反馈循环，使系统能够随着时间的推移不断学习和改进，最终发现比您最初使用的算法效率高得多的算法。

工作原理：

以下是 AlphaEvolve 如何发现并改进现有算法的详细过程：

• 输入：您需要定义问题规范、评估逻辑（用于衡量所提出的解决方案的效果）以及初始化程序。初始程序是一段可编译的代码，即您想要优化的算法。在初始阶段，即使算法并非最优，它也能解决问题。

• 变异：Gemini 模型（Flash 侧重速度，Pro 侧重深度）处理上下文并生成变异的、优化后的代码版本，这些版本会被加入到“种群空间”。

• 进化：进化算法会从种群空间中选择哪些代码突变进行组合，进一步突变，并将其作为下一轮变异进化的起点进行优先处理。

• 循环：评估得分的结果随后被 LLM 集成模型用于生成下一组改进的解决方案。该循环递归重复，使代码库从初始程序演化为最先进的算法。

在 Google 的显著影响力

在 Google，我们已经使用这项技术解决了一些最棘手的工程问题。

• 数据中心效率：AlphaEvolve 找到了更好的方法来调度数据中心的任务，平均持续回收我们 0.7% 的全球计算资源。

• Gemini 训练：AlphaEvolve 将 Gemini 架构中的一个关键内核的速度提高了 23%，从而使 Gemini 的训练时间减少了 1%。

• 硬件设计：通过发现更高效的算术电路，从而缩短了下一代 TPU 的研发周期。

想了解更多关于影响力方面的信息，请阅读我们的论文。

AlphaEvolve 如何帮助各行业公司

您可以将此引擎应用于您自己的专有数据和独特的算法挑战。以下列举了一些改进算法可能帮助不同行业的方式：

• 生物技术与制药：优化用于分子模拟的算法，这有助于缩短药物研发的时间，提高新疗法的成功率。

• 物流与供应链：探索启发更优的路线规划和库存管理方法，帮助您降低燃料成本并构建更具韧性的配送网络。

• 金融服务：改进算法风险模型，以更有效地管理复杂的投资组合。

• 能源：优化智能电网的负载均衡，以提高稳定性并更好地整合可再生能源。

开始使用 Google Cloud

AlphaEvolve 旨在帮助您解决复杂的优化问题，这些问题可以通过代码定义并进行客观衡量。AlphaEvolve 服务 API 现已通过 Google Cloud 的早期访问计划提供。如果您遇到此类问题并有意参与早期访问计划，请联系您的 Google Cloud 业务代表。