最近，Google DeepMind 發表了最新研究成果：AlphaEvolve。這個系統運用了大型語言模型自動產生解決幾個特定領域問題的程式碼。在論文中，團隊展示了 AlphaEvolve 在3個領域的成果：
一、數學問題解法
AlphaEvolve 設計出一個全新的矩陣乘法演算法，優於過去 56 年來數學家們無法再改進的現有方法。
此外，它也被應用於解決一組精心挑選、超過 50 道的數學問題。這些問題涵蓋超過5個不同的數學分支，包括分析、組合學、數論與幾何等。在 75％的情況下，AlphaEvolve 重新發現了目前已知的最佳解答；而在 20％的情況下，則找出了比先前已知最佳算法更優的算法，進而推進了現有的技術水準（SOTA）。
二、電腦系統資源調度優化
AlphaEvolve 被用來產生一個分派運算任務給 Google資料中心的函數，其結果不僅效能優異，還具備高度可解釋性，勝過原有解決方案。根據統計，效率提高0.7％。
雖然0.7％看起來不多，但以Google數以百萬級別的尺度來衡量，仍可減少大量的能源消耗與營運成本。
有趣的是，原有解決方案為一個深度學習網路，而新的解法，更容易理解，穩定和快速。新一代的AI，透過進化，已經取代了上一代AI。
三、積體電路設計
AlphaEvolve 被應用於矩陣乘法器的電路設計，直接在 RTL （register-transfer level）層級產生 Verilog 程式碼以進行優化。
在硬體設計領域，比如在設計 Google TPU這樣的專用晶片時，開發人員通常需要手動撰寫 RTL程式碼，以優化電路的效能、功耗與面積。AlphaEvolve 被應用於優化 TPU 中的矩陣乘法單元，透過自動生成並測試 Verilog 程式碼，成功地在保持功能正確性的前提下，減少了電路的面積與功耗。
何謂進化式演算？自我對弈直至必勝
當 AI 被用來產生文本、音樂或影像時，我們通常難以用客觀標準衡量其品質。
因此，目前主流的方法是透過人類回饋的強化學習（RLHF）來持續提升模型的表現。但在 AlphaEvolve 中，DeepMind 採用了進化式演算法（evolutionary algorithms），透過挑選高潛力解法並重組，逐步「進化」出下一代更佳解法。
由於潛在解空間極為龐大，不可能依賴人類逐一判斷優劣，因此必須聚焦在可以快速且客觀衡量成效的問題上。這與 AlphaZero 學玩圍棋的方式類似：勝負可明確定義。因此 AlphaZero 能自我對弈數十億次，最終訓練出遠超人類棋手的系統。在自然的歷史裡，透過進化的機制，數以億萬次的生命嘗試產生了多元的生物形態。如今AI也可以透過進化和學習，持續改進和提升能力。
在今年的COMPUTEX上，也可見到類似概念的實際應用。例如新創公司聯覺科技 NunoX 正在建立紡織品的數位孿生（digital twin）模型，使設計師可以快速依據顏色、光澤、質地、柔軟度等條件篩選布料。
在過去，必須運送大量樣本提供設計師參考，既耗費時間也浪費資源。透過此服務，可減少浪費，同時加速新產品開發效率。透過技術的演化，下一步甚至是用 AI 設計全新布料，可以透過用戶的需求，設計出獨特的布料。
另一家公司則展示了如何透過 AI 設計金屬散熱器：輸入所需的散熱條件後，AI 平台 Coldstream（來自比利時公司 Diabatix）即可自動生成最優化的結構，並以 3D 列印製造出來。
利用AI生成的散熱器，結構複雜同時如同有機生成，人類工程師無法單獨完成。同時透過3D列印技術，過去無法透過壓鑄生產的設計也變為可能。
而輝達投資許多以AI研發新藥的企業，如Recursion、Genesis、Iambic、Evolutionary Scale、Inceptive等，以及從DeepMind孵化出的Isomorphic Labs，則已經吸引超過數十億美元的投資，致力於提高新藥的研發效率，增加發現更有效療法的機會。
算力動搖成本，實際量化需求再串AI
從這些新興應用中，可以歸納出幾個重要趨勢：
一、AI 算力的需求巨大，仍有許多應用場景尚待開發。 最近有些人疑問在AI算力上的巨大投資，是否有可能回收。或許在文字生成，圖片生成等領域，會讓人認為現在的能力已經足夠好，但如果看到AI在各行各業能夠持續的改善流程、幫助設計產品，和提供更為精確的解決方案，AI的需求仍會提高。
二、算力雖然關鍵，但成本高昂，所以解決正確的問題至關重要。 例如，雖然理論上可以要求 AI 再進化出比 AlphaZero 更強的圍棋程式，但所需的運算資源極為龐大。因此，在投入算力前，應審慎評估目標問題的可行性與回報潛力。
三、企業決策者與個人應學會將實際需求轉化為可量化的問題，這樣才能交由 AI 進行最佳化。 同時必須追蹤和嘗試在利用AI改進可量化問題的進展。目前很多產業在考慮AI利用的場景中，思考的是如何減輕人的工作量。但另一個方向是用AI來發現和實現人單獨做不到的成果。
根據達爾文的《物種起源》，能夠存活下來的物種，不是最有智慧的，也不是最強壯的，而是最能適應和調整自己以面對所處環境變化的那一種。在 AI進化的時代，所有組織和個人也需要洞察先機，自我調整。
