Google DeepMind a lancé AlphaEvolve, une intelligence artificielle de codage capable d'écrire et d'optimiser du code et de faire des découvertes scientifiques par elle-même. Le système, qui intègre de grands modèles de langage, des algorithmes évolutifs et des évaluateurs automatiques, a déjà réalisé plusieurs percées dans le domaine des mathématiques, notamment en améliorant les algorithmes de multiplication de matrices et en résolvant des énigmes géométriques. Parallèlement, il a réalisé des gains d'efficacité significatifs dans l'optimisation des centres de données de Google, la conception de puces et la formation à l'IA, marquant ainsi une nouvelle étape dans la transformation de l'IA d'un outil en un partenaire d'innovation algorithmique.
- Ce résumé est généré par une IA qui analyse le contenu de l'article à des fins d'information uniquement.
Google DeepMind a récemment publié une technologie révolutionnaire, AlphaEvolve, une nouvelle intelligence codée par l'IA qui non seulement écrit et optimise automatiquement des algorithmes, mais fait également d'importantes découvertes scientifiques. Cet article se penche sur le fonctionnement de cette technologie révolutionnaire, ses principales caractéristiques et ses applications pratiques dans un certain nombre de domaines.
AlphaEvolve : une plateforme de découverte d'algorithmes auto-évolutifs
Le positionnement central d'AlphaEvolve est une plateforme universelle de découverte et d'optimisation d'algorithmes basée sur les grands modèles de langage (LLM), les algorithmes évolutionnaires et les évaluateurs automatiques. Contrairement aux outils de codage traditionnels, AlphaEvolve ne se contente pas de générer du code, mais évalue automatiquement les performances de ce code, puis ajuste la stratégie en fonction des résultats de l'évaluation et génère itérativement de meilleures solutions, simulant essentiellement le processus d'"évolution algorithmique naturelle".
La différence fondamentale entre AlphaEvolve et les systèmes d'IA précédents :
| Caractéristiques des compétences | AlphaCode (2022) | AlphaTensor (2022) | AlphaEvolve (2025) |
|---|---|---|---|
| entrée et sortie | Langage naturel → code de programme | Tâches structurées → Algorithme de multiplication | Problèmes généralisés → algorithmes vérifiables |
| logique de mise en œuvre | Génération unique | Recherche de structure + ajustement de modèle | Génération de LLM + évaluation automatique + optimisation évolutive |
| Mécanismes d'évaluation | Évaluation humaine ou évaluation statique | Mesures des performances du simulateur | Fonctionnement dynamique automatique + retour d'information sur l'évaluation |
| Champ d'application | Thèmes des concours de programmation, etc. | Optimisation de la multiplication des matrices | Programmation, algorithmes, mathématiques, optimisation des systèmes |
Ce qui le rend unique :
- Il n'est pas nécessaire que des humains rédigent des plans d'optimisation étape par étape, il peut proposer des améliorations de manière autonome, s'autotester et s'auto-améliorer.
- Possibilité de modifier des sections entières du code du programme, et pas seulement de petites modifications de fonctions
- Apprendra à appliquer différentes stratégies à différents problèmes, par exemple en utilisant des algorithmes de recherche pour les problèmes complexes et des méthodes constructives pour les problèmes structurés.
- Déjà utilisé dans l'environnement de production à grande échelle de Google, il ne s'agit pas d'une simple validation de concept en laboratoire.
Mécanisme de fonctionnement et architecture technique d'AlphaEvolve
AlphaEvolve est un système complexe à plusieurs composants et à plusieurs étapes qui contient les modules et les flux de travail suivants :
Composants et processus du système
Le flux de travail global d'AlphaEvolve est construit à partir de plusieurs modules travaillant de concert :
- étage d'entréeL'utilisateur reçoit le code initial du programme, une définition du problème à optimiser et une fonction d'évaluation automatisée (pour mesurer la performance du code, l'exactitude du résultat, etc.)
- Composition du module de base: :
- Échantillon d'idéesLes solutions de l'histoire : Combinez des solutions historiquement excellentes avec le contexte du problème pour créer des invites complexes qui prennent en charge les connaissances de base, les formules et les extraits de code fournis par l'être humain.
- LLM Integration (LLM Ensemble)Gemini Flash pour générer rapidement un grand nombre de candidats et Gemini Pro pour optimiser en profondeur les recommandations clés afin de conduire en collaboration le processus d'"évolution".
- Évaluateurs automatiques (évaluateurs)Le système d'évaluation de la performance : il exécute et évalue automatiquement les performances de chaque programme, en prenant en charge l'optimisation multimétrique, l'évaluation en cascade et l'exécution distribuée en parallèle.
- Base de données du programmeLes programmes d'évaluation : Stocker les programmes historiques, les notes d'évaluation et les modifications pour construire une nouvelle génération d'invites, permettant une évolution semblable à la "mémoire génétique".
- cycle évolutif: :
- Sélectionner un "programme parent" dans la base de données et extraire sa structure optimale.
- Construire la tâche et le contexte actuels via Prompt
- LLM génère un nouveau code diff (diff)
- Différences d'application formulaire "sous-programmes"
- L'évaluateur exécute et note
- Si le programme enfant est plus performant que le programme parent, il est ajouté à la base de données et passe au cycle d'évolution suivant.
Ce processus fait évoluer non seulement le code lui-même, mais aussi le PROMPT et les mesures d'évaluation, ce qui permet une optimisation hautement adaptative de la recherche.
Repousser les limites des mathématiques : les réalisations scientifiques d'AlphaEvolve
AlphaEvolve a réalisé plusieurs percées dans le domaine de la découverte mathématique et algorithmique, en résolvant un certain nombre de problèmes ouverts qui sont restés sans solution pendant longtemps :
Innovation dans l'algorithme de multiplication des matrices
L'une des réalisations les plus remarquables d'AlphaEvolve a été la découverte d'un algorithme plus efficace pour multiplier des matrices complexes 4×4 que l'algorithme de Strassen de 1969, qui était auparavant considéré comme la solution optimale dans le domaine, nécessitant 49 multiplications, qu'AlphaEvolve a réduit à 48, battant ainsi un record qui n'avait pas été amélioré depuis 56 ans.
Progrès dans la résolution d'un puzzle géométrique vieux de 300 ans
AlphaEvolve a également fait une percée majeure dans le fameux problème du nombre de baisers. Ce problème explore le nombre de sphères unitaires dans un espace à n dimensions qui peuvent être tangentes à une sphère unitaire centrale sans se croiser en même temps. En 11 dimensions, AlphaEvolve a trouvé une structure composée de 593 sphères extérieures, ce qui augmente la limite inférieure précédente de 592 et s'approche de la limite supérieure connue de 868.
En outre, des percées ont été réalisées sur des problèmes ouverts dans plusieurs domaines des mathématiques :
- Le domaine de l'analyse: Amélioration des limites optimales connues pour plusieurs problèmes d'inégalité d'autocorrélation ; légère amélioration des limites supérieures en optimisant la construction du principe d'incertitude dans l'analyse de Fourier.
- Mathématiques combinatoires et théorie des nombres: Une nouvelle borne supérieure est établie pour le problème de recouvrement minimal d'Erdős, surpassant le record précédent.
- Géométrie et problèmes d'empilementLes résultats de l'étude ont permis de réaliser des percées dans plusieurs domaines, notamment l'optimisation du rapport entre la distance maximale et la distance minimale et le remplissage optimal des polygones imbriqués.
Sur plus de 50 problèmes mathématiques ouverts testés par l'équipe DeepMind, AlphaEvolve a redécouvert des solutions de pointe sur environ 751 TP3T de problèmes, et a amélioré les meilleures solutions connues sur 201 TP3T de problèmes.
Il convient de mentionner que le médaillé Fields Tao Zhexuan a également participé directement à l'exploration des applications mathématiques d'AlphaEvolve.
Améliorer l'éco-efficacité de Google : applications pratiques et résultats
AlphaEvolve est passé de la recherche théorique à l'application pratique, produisant des gains d'efficacité significatifs dans plusieurs systèmes clés de Google :
Optimisation du centre de données
Un algorithme heuristique d'ordonnancement pour le système de gestion de cluster Borg de Google est utilisé en production depuis plus d'un an, récupérant régulièrement environ 0,7% de ressources informatiques. L'algorithme résout le problème des "ressources bloquées" (par exemple, lorsque la mémoire est épuisée mais que l'unité centrale est encore disponible) et génère un code simple et lisible, facile à déboguer et à déployer pour les ingénieurs.
Synergie de la conception des puces d'IA
AlphaEvolve fournit une solution de réécriture au niveau Verilog pour les circuits de multiplication matricielle dans les TPU de Google, en supprimant les bits redondants tout en maintenant la correction fonctionnelle. Cette proposition a été adoptée dans le flux de conception des futures générations de puces et devrait permettre de réaliser des économies significatives en termes de surface de la puce et de consommation d'énergie.
Accélération de l'apprentissage des modèles d'IA
En termes de formation à l'IA, AlphaEvolve a également démontré d'étonnantes capacités d'optimisation :
- Optimisation du noyau de multiplication des matrices dans l'entraînement au modèle Gemini, accélérant 231 TP3T et réduisant le temps d'entraînement global de 11 TP3T.
- Refonte des instructions GPU de bas niveau dans le noyau FlashAttention pour une accélération de 32,5%
Ces optimisations permettent non seulement d'améliorer les performances, mais aussi de réduire considérablement le temps d'ingénierie nécessaire à l'optimisation du noyau, qui passe de plusieurs semaines de travail d'experts à quelques jours d'expériences automatisées, ce qui permet aux chercheurs d'innover plus rapidement.
Perspectives d'avenir et implications d'AlphaEvolve
En tant que plateforme polyvalente de découverte et d'optimisation d'algorithmes, AlphaEvolve promet des applications qui vont bien au-delà de ce qui a été réalisé jusqu'à présent. Elle représente un nouveau paradigme pour la découverte scientifique et la conception d'algorithmes assistées par l'IA, et devrait avoir un impact considérable dans de nombreux autres domaines à l'avenir :
- Expansion dans des domaines scientifiques plus vastesBien qu'il soit actuellement utilisé principalement en mathématiques et en informatique, sa généralité signifie qu'il peut être appliqué à toute solution à un problème qui peut être décrite comme un algorithme et vérifiée automatiquement, y compris la science des matériaux, la découverte de médicaments, etc.
- Un nouveau modèle de collaboration entre l'IA et les experts humainsAlphaEvolve propose un nouveau modèle de collaboration entre l'IA et les experts, où l'IA est responsable de l'exploration d'un grand nombre de possibilités et de l'élaboration de solutions innovantes, et où les experts humains sont responsables de la validation et de la compréhension de ces solutions.
- Démocratisation de l'optimisation algorithmiqueAu fur et à mesure de l'évolution de ces techniques, l'optimisation algorithmique avancée pourrait ne plus être réservée à quelques spécialistes, et un plus grand nombre de développeurs et de chercheurs pourront utiliser ces outils pour améliorer l'efficacité de leur travail.
- Impacts économiques et environnementaux potentielsSi cette technologie est largement adoptée, elle permettra d'économiser beaucoup d'énergie et de ressources dans les centres de données du monde entier.
AlphaEvolve est maintenant ouvert aux invitations à des tests préliminaires, non seulement pour les universités, mais aussi pour les utilisateurs de toutes les industries qui souhaitent explorer le domaine de l'optimisation algorithmique, annonçant ainsi son rôle dans un plus grand nombre de scénarios d'application.
Il marque une nouvelle étape dans l'informatique : les systèmes d'IA ne sont plus seulement des outils à programmer par des programmeurs humains, mais des partenaires capables de découvrir et d'améliorer des algorithmes par eux-mêmes, un changement qui pourrait déclencher une révolution dans la programmation, comme AlphaGo l'a fait pour le jeu de Go.
评论列表 (7条)：
加载更多评论 Chargement...