DeepMind AlphaEvolve 跨领域战绩：4×4 矩阵乘法刷新 Strassen 1969 纪录、Gemini 训练快 1%

Google DeepMind 5 月 7 日（美国时间）发布 AlphaEvolve 跨领域成果报告。DeepMind 官方部落格整理 AlphaEvolve 自推出以来的具體进展：找到比 Strassen 1969 演算法更好的 4×4 複數矩陣乘法方法（48 次純量乘法）、与陶哲軒（Terence Tao）等數学家合作解決多个 Erdős（艾狄胥）數学难題、为 Google 资料中心節省 0.7% 全球运算资源、把 Gemini 訓練的关鍵 kernel 速度提升 23%、整體 Gemini 訓練时间減少 1%。

架構：Gemini Flash 廣度探索 + Gemini Pro 深度評估的演化式 Agent

AlphaEvolve 是一个演化式編碼 Agent、设计用於通用演算法发现与最佳化：

Gemini Flash—最大化探索想法的廣度

Gemini Pro—提供深度的批判性建议

自动評估器—验证每个候选答案、並提供回饋

演化框架—基於評估回饋持续迭代、保留最有前景的解

这个結構让 AlphaEvolve 能在沒有人類预先指引的情況下、針对开放问題持续产生与測試解、适合「答案可被自动验证」的领域（演算法、數学、最佳化问題）。

數学成果：4×4 矩陣乘法刷新 1969 年紀錄、与陶哲軒合作解 Erdős 问題

AlphaEvolve 在數学与电腦科学的具體进展：

4×4 複數值矩陣乘法：找到只需 48 次純量乘法的演算法、勝过 Strassen 1969 年提出的最佳結果

与陶哲軒等知名數学家合作、共同解決多个 Erdős（艾狄胥）开放问題

Strassen 演算法是矩陣乘法计算複雜度的长期最佳解之一、AlphaEvolve 在此案打破數十年紀錄、是「AI Agent 在數学边界上找到新解」的具體案例。

基礎设施成果：Google 资料中心節能、量子电路誤差降 10×

AlphaEvolve 在 Google 自家系统中的应用：

资料中心：找到更好的任務排程方法、平均回收 0.7% 全球运算资源

Gemini 訓練：关鍵 kernel 速度提升 23%、整體訓練时间減少 1%

量子物理：在 Google Willow 量子處理器上、AlphaEvolve 设计的量子电路誤差较傳统最佳化基線低 10 倍、让複雜分子模擬可在 Willow 上執行

电力網最佳化：將圖神经網路（GNN）模型解 AC Optimal Power Flow 问題的可行解比例从 14% 提升到 88% 以上

地球科学：自动化最佳化 Earth AI 模型、自然災害风险预測準確度提升 5%

后续可追蹤的具體事件：AlphaEvolve 是否从 Google 內部工具开放給外部研究者使用、Erdős 系列问題的后续突破、以及 AlphaEvolve 在 Google Cloud 的商业化进度（DeepMind 已在 Google Cloud 部落格预告相关整合）。

这篇文章 DeepMind AlphaEvolve 跨领域戰績：4×4 矩陣乘法刷新 Strassen 1969 紀錄、Gemini 訓練快 1% 最早出现於 链新聞 ABMedia。