AlphaEvolve: новый ИИ пишет гениальный код, ломает науку и делает вид, что это легко. Как? Без понятия

Google DeepMind разработала ИИ-программу , способную превзойти человеческие решения в математике и программировании. Новый инструмент AlphaEvolve не только справляется с теоретическими задачами, но и совершенствует критически важные процессы в реальном мире.

В основе технологии лежит необычный принцип: система задействует языковые модели Gemini 2.0 для создания программного кода, а затем методично улучшает полученные варианты. После анализа каждого решения AlphaEvolve отбирает перспективные находки и отправляет их на доработку, отбрасывая неудачные попытки. Процесс продолжается до тех пор, пока не будет найден оптимальный алгоритм.

Результаты тестов впечатляют: усовершенствованное программное обеспечение уже больше года управляет распределением вычислительных задач между миллионами серверов Google. Оптимизация высвободила 0,7% общей мощности дата-центров компании — экономия, которая в глобальном масштабе равноценна работе нескольких крупных серверных комплексов.

AlphaEvolve особенно успешно справилась с рядом фундаментальных задач математики. Среди них — оптимизация матричных вычислений, без которых невозможно представить современный искусственный интеллект и создание компьютерной графики. Матрица представляет собой прямоугольную таблицу чисел, а её порядок определяется количеством строк и столбцов. Система проанализировала 16 тысяч вариантов программного кода и разработала более эффективные способы перемножения таких таблиц четырнадцати разных размеров.

Наибольшего успеха удалось достичь при работе с квадратными матрицами четвёртого порядка — таблицами размером 4×4 элемента. Предыдущий алгоритм, созданный системой AlphaTensor, мог оперировать только бинарными значениями (нулями и единицами), тогда как новый метод справляется с произвольными числами.

В сфере анализа Фурье — математической теории, описывающей любой сигнал как комбинацию простых волн разной частоты — AlphaEvolve улучшила алгоритмы преобразования данных. Такие вычисления лежат в основе современных форматов сжатия медиафайлов: благодаря им музыка и видео занимают меньше места на носителях, сохраняя высокое качество.

Система также продвинулась в решении классической задачи минимального перекрытия, которую математик Пол Эрдёш сформулировал в 1955 году. Проблема заключается в поиске наименьшего количества целых чисел, необходимых для того, чтобы их всевозможные суммы покрыли заданный диапазон значений без пропусков. Это важно для оптимизации различных вычислительных процессов.

Отдельного внимания заслуживает прогресс в решении задачи о числах поцелуев, впервые поставленной Исааком Ньютоном. Много лет назад учёный задумался: сколько одинаковых шаров может одновременно касаться центрального шара того же размера? Ответ на этот, казалось бы, простой вопрос помогает понять принципы плотной упаковки атомов в кристаллах и создавать более совершенные алгоритмы шифрования.

Технология использует двухступенчатый подход к генерации решений. Сначала быстрая версия Gemini 2.0 Flash создаёт множество вариантов кода. Затем более мощная модель Gemini 2.0 Pro анализирует сложные случаи, где требуется глубокое понимание задачи. Система постоянно сравнивает новые результаты с предыдущими, иногда возвращаясь к ранним версиям, чтобы избежать тупиковых путей развития.

В математических дисциплинах нейросеть проверили на 50 классических задачах разной сложности. В 75% случаев новая она сравнялась с существующими методами решения математических задач, а в 20% превзошла их, предложив оригинальные подходы.

Что об этом думает научное сообщество? Математики из австрийского Университета Иоганна Кеплера опубликовали статью, где описали оптимизации для умножения матриц. Используя совершенно другой вычислительный подход, они независимо пришли к некоторым из тех же решений, что нашла AlphaEvolve. "Замечательно видеть, как мы продвигаемся в понимании матричного умножения, — отмечает профессор Мануэль Кауэрс. — Любой метод, который помогает в этом, — желанный вклад в общие усилия".

Пушмит Кохли, руководитель направления AI for Science в Google DeepMind, объясняет универсальность технологии так: система справится с любой задачей, которую можно формализовать в виде программы и автоматически проверить полученные результаты. Единственное ограничение — проблемы, требующие субъективной оценки, например, анализ неоднозначных данных лабораторных исследований.

Глава группы разработки Матей Балог сравнивает новый инструмент с предшественниками. В отличие от FunSearch, созданного год назад и способного писать лишь небольшие программы для конкретных вычислений, AlphaEvolve формирует масштабные алгоритмы в сотни строк. Это позволяет охватить намного более широкий круг научных и практических задач.

При этом некоторые британские исследователи указывают на один существенный недостаток: хотя система находит эффективные решения, она не объясняет логику своих действий. Это затрудняет теоретическое осмысление полученных результатов и их дальнейшее развитие человеческими усилиями. Тем не менее, практическая ценность технологии неоспорима — она уже помогает оптимизировать критически важные процессы в масштабах крупнейших вычислительных инфраструктур мира.

Команда DeepMind продолжает совершенствовать свою разработку. В ближайших планах — расширение библиотеки базовых алгоритмов и улучшение механизмов взаимодействия между быстрыми и глубокими ИИ-моделями.