Alphaevolve, l’agent Google DeepMind qui dépasse les humains pour résoudre des problèmes complexes
GOogle Deepmind a franchi une nouvelle étape dans le domaine de l’intelligence artificielle avec Alphaevolutionun agent ai capable de faire face et de résoudre des problèmes mathématiques et informatiques à long terme que les êtres humains. Basé sur la famille des modèles linguistiques Gémeaux 2.0Alphaevolve génère du code pour une large gamme de tâches, optimisant des solutions grâce à un processus de traitement qui sélectionne, rejette, améliore et perfectionne chaque proposition.
« Vous pouvez le voir comme une sorte d’agent super codage », dit-il Pushmeet kohlivice-président de Google Deepmind et chef des équipes pour les sciences. « Il ne propose pas seulement un morceau de code, mais produit un résultat que personne ne savait peut-être. »
Alphaevolve, de la théorie concrète
Le potentiel d’Alphaevolve va au-delà de la théorie: DeepMind a déclaré que l’algorithme conçu par l’IA est déjà utilisé Dans tous les centres de données Google pendant plus d’un anaméliorant l’allocation des tâches aux serveurs et libérant 0,7% des ressources informatiques mondial. Dans Scala Google, c’est un impact remarquable.
Comment fonctionne Alphaevolve
Alphaevolve fonctionne évolutive: nous commençons à partir de la description du problème et, si disponible, à partir de solutions précédentes. Le modèle Gémini 2.0 Flashla version la plus rapide, génère plusieurs fragments de code. Chaque solution est testée et évaluée sur des critères tels que précision et efficacité. Les meilleurs sont raffinés, les pires. En cas de décrochage, nous intervenons avec Gemini 2.0 Proplus puissant mais plus lent.
Ce cycle de génération, d’évaluation et de régénération continue jusqu’à ce que le système ne puisse plus dépasser les résultats déjà obtenus.
De la multiplication des matrices aux puces
Alphaevolve testait Plus de 50 problèmes mathématiques connusy compris:
- Analyse de Fourier (fondamental pour la compression des données),
- Problème du chevauchement minimum (Paul Erdős, 1955),
- Nombres de baiser (Newton, avec des applications en cryptage et en science matérielle).
Dans 75% des cas a égal les meilleurs résultats existants; dans 20% Il les a dépassés. En particulier, il a Enregistrement d’alphatenseur amélioré Dans la multiplication des matrices 4 × 4, et a produit des algorithmes valides également pour les matrices contenant différents nombres de 0 et 1.
« Le résultat sur la multiplication des matrices est très impressionnant », a-t-il dit Jakob Moosbauermathématique de l’Université de Warwick. « Ce nouvel algorithme a le potentiel d’accélérer réellement les calculs. »
Applications royales de l’alphaevolve dans les centres de données et les puces TPU
En plus du dossier mathématique, Alphaevolve a trouvé:
- Un nouvel algorithme pour gérer les ressources informatiques dans les centres de données
- Une solution pour réduire la consommation d’énergie des puces de l’unité de traitement du tenseur (TPU) de Google
- Une méthode pour accélérer la formation des modèles Gemini
Deuxième Matej baligleader de l’équipe de découverte algorithmique dans Deepmind: « Les algorithmes régissent le monde qui nous entoure, donc l’impact de cela est énorme. »
Un héritage qui commence à partir de l’alphatenseur
Alphaevolve est l’héritier direct des succès DeepMind précédents:
- Alphatenseur (2022): Il a trouvé une nouvelle méthode pour multiplier les matrices, battant un record qui a duré 50 ans.
- Alphadev (2023): a optimisé les opérations de base effectuées des milliards de fois par jour à partir d’ordinateurs.
- Funsearch (Fin de 2023): Il a fallu LLM pour résoudre des problèmes mathématiques générant du code et résolu un célèbre problème non résolu en mathématiques pures.
Alphaevolve se démarque de la capacité d’écrire De longs programmes des centaines de lignesle rendant adapté à une plus grande variété de défis de calcul.
Alphaevolve, limites et problèmes ouverts
Cependant, l’alphaevolve n’est pas applicable aux problèmes qui nécessitent une évaluation subjective, comme expériences de laboratoire. En outre, ne fournit pas d’explications théoriques Sur les résultats obtenus, une limite pour ceux qui souhaitent approfondir la compréhension humaine des problèmes. « C’est fantastique de voir que nous progressons pour comprendre la multiplication des matrices », a-t-il déclaré Manuel Kauersmathématique de l’Université Johannes Kepler. « Chaque technique qui aide est une contribution bienvenue. »
Vers une nouvelle ère de recherche scientifique
Les travaux sur Alphaevolve se poursuivront. Selon Kohli: « Nous ne sommes pas encore terminés. Il y a encore beaucoup à explorer en termes de pouvoir de cette approche. »
Des outils comme Alphaevolve promettent de révolutionner la façon dont vous science, transformant l’IA en un allié essentiel pour les chercheurs, capable de surmonter Créativité algorithmique.
