【新智元导读】在5月中旬，谷歌发布了AlphaEvolve。不仅30天内攻克了18年未解的难题，或将开启了一场无需「灵感」的科学革命：未来，科学家将不再依赖直觉，而是靠AI解决难题！ 它不仅仅是生成文本工具，更不是简单的模板生成器。它喻示了AI的无限可能，就像AlphaGo的「神之一手」，展现了人类从未做过的突破。 AlphaGo不仅能够高效地探索围棋的所有可能局面，而且能够提出当时最佳走法。在几十年的围棋历史中，人类都没有发现这种下法。 某种意义上，AlphaGo是AI智能体。在庞大的搜索空间中，它可以高效探索并提出最优解。这种能力让人们感到惊讶，因为围棋非常复杂，科学家们认为AI能够在这一领域取得突破还需要很长时间。 几十年来，人们认为矩阵乘法的复杂度是立方级别的。也就是说，如果你有两个矩阵，矩阵的维度是n，那么计算的时间复杂度是n?。 通过搜索，AlphaTensor发现了比之前所知的算法更高效的解决方案。它不仅在效率上超越了传统算法，而且这个结果还证明了AI可以实现超人级别的突破。 通过基因池和评估函数，确保每一代的改进都能够提高整体的解的质量，同时保持了多样性，以便在庞大的搜索空间中发现最佳解决方案。 如果AlphaEvolve被要求解决一个相对简单的问题，它几乎能立即得到答案；但如果是一个非常复杂的问题，那么解决方案可能需要更长时间，更多的代次来不断改进。 至于预测需要多少代才能达到最优解，这个问题比较复杂。问题的难度，无法预料，尤其是在科学领域，一些看似简单的问题实际上可能非常难，反之亦然。但幸运的是，只要持续运行AlphaEvolve，它会随着时间的推移不断得到更好的结果。 在面对复杂或模糊的任务时，大多数通用编码智能体，容易陷入困境或产生错误，因为它们通常依赖于直接的任务说明，而这些说明往往不够精确，或者它们没有很强的判断能力。 例如，在优化数据中心调度时，评估函数可能是一个模拟器，它能够根据给定的调度算法来判断该算法在现实中的表现如何。 那对于开发者来说，设计好的评估函数确实非常具有挑战性。你需要明确什么样的结果才是好的解决方案。在某些情况下，开发者可以使用现有的模拟器来进行评估，而在其他更复杂的情况下，可能需要开发定制化的评估工具。 评估函数不仅要能判断方案的好坏，还要能够在不同的任务中灵活应用。比如，在数据中心调度优化问题中，评估函数的复杂性可能远高于一些较简单的任务。 AI不仅仅给出答案，还提供算法，科学家们可以通过研究算法来理解背后的原理，这对于深入理解问题和解决方案非常重要。
