Революция в математических вычислениях: Как AlphaEvolve ломает 56-летний рекорд 0:02
Команда Google DeepMind представила AlphaEvolve — эволюционного программного агента, способного совершать научные открытия, генерируя новые алгоритмы. Система уже установила мировые рекорды в компьютерных науках, решив фундаментальные задачи, которые оставались непреодолимыми на протяжении более полувека. В центре внимания — задача умножения матриц, где AlphaEvolve удалось найти алгоритм, превосходящий классический метод Штрассена.
🧮 Победа над методом Штрассена: 48 против 49 29:00
Умножение матриц — одна из базовых операций в информатике. В 1969 году Фолькер Штрассен совершил прорыв, предложив метод, требующий семи умножений для матриц 2x2 вместо стандартных восьми. Для матриц 4x4 долгое время лучшим решением оставалось рекурсивное применение метода Штрассена, что требовало 49 скалярных умножений.
- Новый рекорд: AlphaEvolve обнаружила алгоритм, использующий 48 операций умножения для матриц 4x4.
- Универсальность: Система нашла решение с использованием комплексных чисел, которое работает и для реальных матриц, часто используемых при обучении нейронных сетей.
По словам разработчиков, они изначально не ожидали превзойти показатель 49, так как Alphatensor (предыдущий проект команды) сталкивался с ограничениями в этой области. Успех стал возможен благодаря тому, что AlphaEvolve подошла к задаче как к поиску алгоритма поиска, эффективно исследуя пространство решений.
🧬 Архитектура: Эволюция и LLM 14:36
AlphaEvolve представляет собой эволюционный метод, объединяющий креативность больших языковых моделей (LLM) с автоматизированным тестированием (оценкой).
- Эволюционный цикл: Система берет код, оценивает его пригодность, фильтрует «глупые» предложения и итеративно улучшает наиболее перспективные фрагменты кода.
- Meta-learning: Вместо генерации решения «в лоб», агент может оптимизировать сам процесс поиска или даже предлагать изменения в промптах, которые направляют модель к лучшему результату.
- Human-in-the-loop: Несмотря на высокую степень автоматизации, система остается инструментом для человека: исследователи идентифицируют интересные задачи, задают условия и интерпретируют результаты.
🌐 Практическое применение: От дата-центров до Gemini 6:04
Технология уже нашла применение внутри Google, ускоряя реальные критически важные системы:
- Дата-центры: Улучшенные эвристики планирования задач позволили восстановить около 0,7% вычислительных ресурсов, которые ранее простаивали.
- Обучение моделей: Агент нашел способы ускорить обучение следующей версии Gemini на 1%.
- Прозрачность: Разработчики отмечают, что иногда система выдает код, который настолько элегантен и прост, что его можно сразу внедрять в производство без риска «черного ящика», характерного для нейронных сетей.
🔮 Будущее: Является ли база программ «новой нефтью»? 26:06
Участники дискуссии обсудили потенциальное будущее, где библиотека эффективно обученных алгоритмов может стать ценным ресурсом для науки. Ведущие предположили, что новые парадигмы ИИ могут основываться не просто на генерации текста, а на создании надежных «программных баз данных», которые обобщают знания для разных доменов.
На текущем этапе исследователи подчеркивают важность «человеческого фактора»: взаимодействие между исследователем и ИИ, где человек уточняет задачу, а система дает ответ, позволяет развивать интуицию обеих сторон.
