أعلنت Google DeepMind في 7 مايو (بتوقيت الولايات المتحدة) نشر تقرير نتائج AlphaEvolve متعدد المجالات. قامت مدونة DeepMind الرسمية بتجميع الإنجازات المحددة لـ AlphaEvolve منذ إطلاقه: العثور على طريقة أفضل من خوارزمية Strassen لعام 1969 لضرب مصفوفات عددية معقدة 4×4 (بـ48 عملية ضرب قياسية فقط)، والتعاون مع علماء رياضيات من بينهم Terence Tao لحل عدة مسائل رياضية صعبة من Erdős، وتوفير 0.7% من موارد الحوسبة العالمية لمراكز بيانات Google، ورفع سرعة kernel الأساسية عند تدريب Gemini بنسبة 23%، وتقليل إجمالي وقت تدريب Gemini بنسبة 1%.
الهيكل: وكيل تطوري يجمع بين الاستكشاف واسع النطاق عبر Gemini Flash والتقييم العميق عبر Gemini Pro
AlphaEvolve هو وكيل ترميزي تطوري مُصمم لاكتشاف الخوارزميات العامة والتحسين:
Gemini Flash—تعظيم اتساع الأفكار الاستكشافية
Gemini Pro—تقديم نصائح نقدية عميقة
مقيّمون آليون—التحقق من كل إجابة مرشحة، وتقديم ملاحظات
إطار تطوري—التكرار المستمر بناءً على ملاحظات التقييم، مع الاحتفاظ بالحلول الأكثر وعدًا
يتيح هذا الهيكل لـ AlphaEvolve توليد واختبار حلول للمسائل المفتوحة باستمرار دون توجيه مسبق من البشر، وهو مناسب للمجالات التي يمكن فيها التحقق تلقائيًا من الإجابات (مسائل الخوارزميات والرياضيات والتحسين).
الإنجازات الرياضية: تحديث سجل ضرب المصفوفات 4×4 للأعوام بعد 1969، وحل مسائل Erdős بالتعاون مع Terence Tao
واصل AlphaEvolve تحقيق تقدم ملموس في الرياضيات وعلوم الحاسوب:
ضرب مصفوفات قيم معقدة 4×4: العثور على خوارزمية تحتاج إلى 48 عملية ضرب قياسية فقط، متفوقة على أفضل نتيجة قدمتها خوارزمية Strassen عام 1969
التعاون مع علماء رياضيات بارزين مثل Terence Tao لحل عدة مسائل مفتوحة من Erdős
تُعد خوارزمية Strassen واحدة من أفضل الحلول طويلة الأمد من حيث تعقيد حساب ضرب المصفوفات، وقد كسر AlphaEvolve في هذه الحالة سجلًا ظل قائمًا لعقود، وهو مثال ملموس على “عثور وكيل ذكاء اصطناعي على حلول جديدة على حدود الرياضيات”.
إنجازات البنية التحتية: كفاءة أعلى في استهلاك الطاقة داخل مراكز بيانات Google، وخفض أخطاء الدوائر الكمية بمقدار 10×
تطبيق AlphaEvolve في أنظمة Google الداخلية:
مراكز البيانات: العثور على طريقة أفضل لجدولة المهام، مع استرداد متوسط يعادل 0.7% من موارد الحوسبة العالمية
تدريب Gemini: زيادة سرعة الـ kernel الأساسية بنسبة 23%، وتقليل إجمالي وقت التدريب بنسبة 1%
فيزياء الكم: على معالج Google Willow الكمي، يقل خطأ الدوائر الكمية المصممة بواسطة AlphaEvolve عن خط أساس التحسين التقليدي بمقدار 10 مرات، ما يتيح تنفيذ محاكاة جزيئات معقدة على Willow
تحسين شبكة الكهرباء: رفع نسبة الحلول الممكنة عند حل مشكلة AC Optimal Power Flow باستخدام نماذج الشبكات العصبية الرسومية (GNN) من 14% إلى أكثر من 88%
علوم الأرض: أتمتة نموذج Earth AI الخاص بالتحسين، مع تحسين دقة التنبؤ بمخاطر الكوارث الطبيعية بنسبة 5%
أحداث محددة يمكن متابعتها لاحقًا: ما إذا كان AlphaEvolve سيُتاح للباحثين الخارجيين من أدوات Google الداخلية، وأي اختراقات لاحقة ضمن سلسلة مسائل Erdős، فضلاً عن تقدم تحويل AlphaEvolve إلى تطبيقات تجارية في Google Cloud (وقد أشارت DeepMind بالفعل إلى عمليات الدمج ذات الصلة في مدونة Google Cloud).
ظهرت هذه المقالة عن سجل DeepMind AlphaEvolve متعدد المجالات لأول مرة في سلسلة أخبار ABMedia: تحديث سجل Strassen لعام 1969 بضرب مصفوفات 4×4، وتدريب Gemini بشكل أسرع بنسبة 1%.
إخلاء المسؤولية: قد تكون المعلومات الواردة في هذه الصفحة من مصادر خارجية ولا تمثل آراء أو مواقف Gate. المحتوى المعروض في هذه الصفحة هو لأغراض مرجعية فقط ولا يشكّل أي نصيحة مالية أو استثمارية أو قانونية. لا تضمن Gate دقة أو اكتمال المعلومات، ولا تتحمّل أي مسؤولية عن أي خسائر ناتجة عن استخدام هذه المعلومات. تنطوي الاستثمارات في الأصول الافتراضية على مخاطر عالية وتخضع لتقلبات سعرية كبيرة. قد تخسر كامل رأس المال المستثمر. يرجى فهم المخاطر ذات الصلة فهمًا كاملًا واتخاذ قرارات مدروسة بناءً على وضعك المالي وقدرتك على تحمّل المخاطر. للتفاصيل، يرجى الرجوع إلى
إخلاء المسؤولية.
