Nowy system AI opracowany przez Google DeepMind, AlphaEvolve, dokonał przełomu w matematyce po raz pierwszy od 56 lat, znacząco usprawniając obliczenia związane z mnożeniem macierzy. To osiągnięcie, porównywane przez ekspertów do legendarnego zwycięstwa AlphaGo nad człowiekiem, otwiera drogę do szybszych algorytmów i rozwoju technologii obliczeniowych.
Przełom po 56 latach – matematyka spotyka AI
AlphaEvolve, stworzony przez Google DeepMind przy współpracy z wybitnymi naukowcami, w tym Terencem Tao, dokonał czegoś, co uznano za niemożliwe przez ponad pół wieku. Od 1969 roku uznawano, iż macierze 4×4 można mnożyć przy użyciu minimum 49 operacjach skalarnych. Teraz, dzięki AlphaEvolve, ten rekord został pobity – system AI znalazł algorytm, który dokonuje tego w 48 krokach.
Choć różnica liczbowo wydaje się niewielka, w praktyce przekłada się na znacznie bardziej wydajne przetwarzanie danych. Szybsze mnożenie macierzy jest najważniejsze nie tylko w matematyce teoretycznej, ale także w zastosowaniach przemysłowych: od projektowania chipów, przez optymalizację centrów danych, aż po przyspieszanie uczenia maszynowego.
W wewnętrznych testach Google, AlphaEvolve przyspieszył operacje mnożenia dużych macierzy w architekturze Gemini aż o 23%, co przełożyło się na skrócenie czasu treningu tego modelu AI o 1%. Dodatkowo, rozwiązanie umożliwiło przyspieszenie działania mechanizmu FlashAttention o ponad 32%.
Jak działa AlphaEvolve? Sztuczna inteligencja w służbie nauki
Klucz do sukcesu AlphaEvolve tkwi w połączeniu dwóch podejść: wzmacniania (reinforcement learning) oraz algorytmów ewolucyjnych. System ten wywodzi się z wcześniejszych rozwiązań, takich jak AlphaZero i AlphaTensor, jednak zamiast polegać na ludzkich schematach i uprzedzeniach, umożliwia algorytmom całkowicie swobodne eksplorowanie rozwiązań.
Podczas prac nad AlphaEvolve, zespół Google DeepMind nie narzucał ograniczeń strukturalnych, które mogłyby kierować AI na utarte ścieżki (tzw. „pułapka symetrii”). Dzięki temu system mógł odkrywać niekonwencjonalne, bardziej efektywne algorytmy. Przełom nastąpił, gdy pozwolono AlphaEvolve na badanie algorytmów mnożenia macierzy zespolonych – okazało się, iż znalezione rozwiązanie jest także efektywne dla macierzy rzeczywistych.
AlphaEvolve działa w architekturze opartej o modele językowe Gemini Flash i Gemini Pro. Pierwszy zapewnia szybkie generowanie i selekcję wielu wariantów kodu, drugi – głęboką analizę i integrację najlepszych rozwiązań. Kluczowym mechanizmem pozostaje algorytm ewolucyjny: generowane są tysiące potencjalnych rozwiązań, które podlegają selekcji, krzyżowaniu i mutacji, by z pokolenia na pokolenie osiągać coraz większą wydajność.
Automatyzacja i nowa perspektywa dla nauki
System automatycznie ocenia efektywność każdego proponowanego rozwiązania, uwzględniając m.in. czas obliczeń, dokładność czy zużycie zasobów. Asynchroniczna, architektura rozproszona pozwala na równoległą pracę wielu „osobników” algorytmicznych, co znacząco skraca czas dochodzenia do optymalnych rozwiązań.
W praktyce, proste problemy matematyczne są rozwiązywane niemal natychmiast, a złożone, takie jak mnożenie większych macierzy, mogą wymagać setek godzin obliczeń. Wnioski z pracy nad AlphaEvolve są jasne: rosnąca moc modeli językowych napędza rozwój AI także w dziedzinie odkryć naukowych, a systemy takie jak AlphaEvolve mogą samodzielnie doskonalić swoje algorytmy.
