# 陶哲轩力推！AlphaEvolve 破解 67 道数学难题，改写 56 年铁律，AI 开始教人类做研究了？
就在 Kimi K2 Thinking 以开源之力撼动闭源 AI 霸权的同一天，谷歌 DeepMind 用一项颠覆性成果重新定义了 “AI 的科学价值”。11 月 7 日，量子位独家披露，由陶哲轩等顶尖科学家参与研发的通用科学 AI AlphaEvolve，在组合数学、几何、数论等领域的 67 个数学问题中取得突破性进展：它不仅打破矩阵乘法领域 56 年未变的效率基准，更在算术 Kakeya 猜想等难题上超越人类已知最优解，甚至能为数学家提供 “直觉跳板” 启发新发现。
这场突破的意义远超一次技术升级 —— 正如 AlphaGo 用 “神之一手” 改写围棋历史，AlphaEvolve 正用算法进化的力量，让 AI 从 “解题工具” 蜕变为 “科学研究的共创者”。当 Kimi K2 还在争夺 “谁的 AI 更易用” 时，AlphaEvolve 已经开始探索 “AI 能帮人类走多远”。
战绩震撼：从改写 56 年铁律到启发新论文
AlphaEvolve 的实力，藏在一组组改写历史的数据与一项项科研突破中。与 Kimi K2 聚焦 “工程化性能” 不同，它的战场直指人类智慧的核心堡垒 —— 数学发现，且交出了足以让学界震动的答卷。
1. 矩阵乘法：48 次运算击碎 49 次铁律
最令人瞩目的突破，是它打破了 Strassen 算法保持 56 年的效率纪录。1969 年提出的该算法确立了 4×4 矩阵乘法需 49 次标量乘法的基准，半个多世纪以来，无数数学家尝试突破均无功而返。而 AlphaEvolve 通过自主探索，将这一数字降至 48。
这看似微小的 “一步”，实则引发连锁反应：在谷歌内部测试中，该优化使 Gemini 架构的矩阵乘法运算加速 23%，直接缩短 1% 的模型训练时间，更让 FlashAttention 效率提升 32.5%。“这堪比 AlphaGo 打败李世石的第 37 步‘神之一手’，是算法领域的历史性跨越。” 一位谷歌前员工如此评价。
2. 67 题大考：跨领域突破 + 人类启发者角色
在涵盖组合数学、几何、数学分析等多领域的 67 个问题测试中，AlphaEvolve 展现了 “通用科学 AI” 的特质：
-
超越人类最优解：在算术 Kakeya 猜想中，将已知下界从 1.61226 提升至 1.668，其构造的离散高斯分布形态解，还帮助人类数学家建立了新的渐近关系，相关成果即将发表；
-
提供研究跳板：处理 Nikodym 集问题时，生成的初始构造虽非最优，却为研究者提供了关键直觉，最终合作改进了已知上界，形成独立数学论文；
-
复现与优化并重：不仅精准复现众多已知最优解，还能在积木堆叠问题中，将递归程序自主重构为显式公式，清晰揭示最优解与谐波数的数学关联，与人类理论完全吻合。
陶哲轩在合著论文中直言：“它不是简单的解题工具，而是数学发现的有力新伙伴。其输出的结构化代码让人类能轻松分析模式，这是此前任何 AI 都无法做到的。”
技术密码：让 AI “自由进化” 的四大支柱
AlphaEvolve 的突破并非偶然，而是 DeepMind 融合进化算法与大模型能力的必然结果。这套技术体系与 Kimi K2 的 “思考放大器” 逻辑迥异，更强调 “自主探索与迭代优化”，核心源于四大技术创新：
1. 进化算法 + LLM：生成 “找答案的算法”
与直接输出解决方案的传统 AI 不同，AlphaEvolve 本质是 “生成算法的算法”。它以 Gemini Flash 和 Gemini Pro 为基础，通过进化算法框架迭代优化候选方案：Gemini Flash 快速生成大量代码片段，Gemini Pro 深入挖掘规律并整合，再由进化系统按 “适者生存” 原则筛选、变异、组合，最终逼近最优解。
这种模式解决了 “LLM 慢” 与 “局部搜索浅” 的矛盾 —— 一次 LLM 调用生成高效搜索策略，随后触发数百万次廉价计算自主探索，效率较传统方法提升百倍。
2. 打破 “对称性陷阱”：完全自由的探索模式
人类数学家常受 “经验法则” 束缚，比如习惯固定分块处理矩阵问题，这容易陷入局部最优解。AlphaEvolve 则彻底摆脱预设限制，在完全开放的搜索空间中探索。其突破 4×4 矩阵乘法的关键，正是放弃人类惯用的实数域搜索，转向复数域探索后意外发现可迁移的优化方案。
“让 AI 摆脱人类直觉的桎梏，反而能看到我们看不到的路径。”DeepMind 研究员 Matej Balog 解释道。
3. 双模式工作流：兼顾精度与泛化
针对不同数学问题，AlphaEvolve 设计了两种核心工作模式：
-
搜索模式：演化 “搜索启发式算法” 而非直接生成答案，在固定时间预算内高效寻找最优构造，适合追求精度的问题；
-
泛化模式：要求系统生成适用于任意参数的通用程序，通过稀疏实例训练归纳共同规律，在 IMO 2025 第 6 题中，仅靠完全平方数数据就找到通用最优解。
这种灵活适配能力，使其既能攻坚具体难题，又能提炼通用理论。
4. 异步分布式架构：资源智能匹配
系统采用异步分布式运行，不同计算节点可并行处理算法生成、指标评估等任务，且能根据问题难度自动调整资源投入 —— 简单问题即时解决，复杂问题如矩阵乘法可调度数百小时算力攻坚，实现资源利用效率最大化。
科研革命：从 “工具辅助” 到 “人机共创”
AlphaEvolve 的出现，正在重塑数学研究的范式。如果说 Kimi K2 的价值是 “降低 AI 使用门槛”，那么 AlphaEvolve 的意义则是 “提升人类科研上限”，其带来的变革已初现端倪：
1. 加速基础科学转化
数学突破的价值正快速渗透到工程领域。除了优化 Gemini 训练与 FlashAttention，其改进的矩阵乘法算法还能提升芯片设计效率、降低数据中心能耗。“以往需要数年才能落地的数学成果，现在 AI 能直接生成可部署的算法。” 谷歌研究员指出。
2. 重构人机协作模式
AlphaEvolve 展现了 “AI 启发人类” 的新型协作关系：它不替代数学家，而是提供 “非直觉性构造” 作为思考起点。在 Nikodym 集问题中，人类研究者正是基于 AI 生成的复杂结构，通过简化与推演获得新突破，这种 “AI 探路 + 人类提炼” 的模式已成为论文合作的新范式。
3. 暴露 AI 科研局限
尽管表现惊艳，AlphaEvolve 仍有明显短板：在 5×5、6×6 等更大规模矩阵乘法中，因搜索空间爆炸且缺乏对称性偏置，未能超越现有最优解。这揭示了通用科学 AI 的核心挑战 —— 如何在 “完全开放探索” 与 “针对性约束” 间找到平衡。
终极野心：打造自我进化的 “科学引擎”
DeepMind 的目标远不止解决数学问题，而是构建能持续推动科学进步的 “自主进化引擎”。从技术路径看，AlphaEvolve 已展现自我增强的潜力：其优化的算法被用于改进 Gemini 架构后，模型性能提升又反哺 AI 的搜索与推理能力，形成 “算法优化 – 模型变强 – 发现更优算法” 的闭环。
陶哲轩在论文中透露，未来将重点强化三大方向：提升基础模型能力以加速发现效率、优化人机协作流程减少人工干预、扩展至物理、化学等更多科学领域。“我们期待它能像 AlphaGo 推动围棋发展那样，成为数学与算法创新的‘催化剂’。”
结语：AI 竞争的 “双轨时代” 已至
AlphaEvolve 与 Kimi K2 Thinking 的相继亮相，勾勒出 AI 产业竞争的两条核心赛道：一条是 Kimi K2 代表的 “工程化赛道”，聚焦性能优化、成本降低与生态普及，让 AI 技术惠及更多用户；另一条是 AlphaEvolve 代表的 “科学化赛道”，瞄准基础研究突破，探索 AI 与人类智慧的共创边界。
如果说 Kimi K2 的突破是 “让 AI 更有用”，AlphaEvolve 的进步则是 “让 AI 更有远见”。前者改写了 AI 的产业格局，后者则可能重塑人类探索未知的方式。当开源力量与科研巨头在不同赛道齐头并进，AI 的未来不再是单一的 “技术竞赛”，而是 “普惠应用” 与 “前沿突破” 并行的双轨时代 —— 而这，或许正是人工智能最值得期待的模样。
