Terence Tao ist sprachlos: Drei Mal wird ein 18-jähriger mathematischer Rekord gebrochen. Google stellt den „AI-Edison“ vor. Braucht die Forschung nicht mehr auf Inspiration zu setzen?

Mitte Mai veröffentlichte Google AlphaEvolve. Innerhalb von nur 30 Tagen löste es ein seit 18 Jahren ungelöstes Problem und könnte eine wissenschaftliche Revolution einleiten, die keine "Eingebung" erfordert: In Zukunft werden Wissenschaftler nicht länger auf Intuition angewiesen sein, sondern von KI helfen lassen, Probleme zu lösen!

Mitte Mai warf Google in den Bereichen Wissenschaft und Computation eine Bombe: AlphaEvolve.

Mithilfe des Gemini-Modells entdeckte es neue Algorithmen.

Beispielsweise löste AlphaEvolve in Kooperation mit Menschen innerhalb von nur 30 Tagen dreimal ein seit 18 Jahren ungelöstes mathematisches Problem! Der bekannte chinesische Mathematiker Terence Tao war darüber etwas überrascht.

KI hat nicht nur in der Informatik und Mathematik bedeutende Fortschritte erzielt, sondern könnte sogar weitreichende Auswirkungen auf andere wissenschaftliche Bereiche haben.

Es ist nicht nur ein Textgenerierungstool, noch weniger ein einfacher Vorlagengenerator. Es zeigt die unendlichen Möglichkeiten von KI auf, ähnlich wie der "göttliche Zug" von AlphaGo, der einen bisher von Menschen nie erreichten Durchbruch darstellte.

Dies könnte sogar ein Schritt in Richtung Selbstverbesserung von KI sein.

Im Rahmen eines tiefgehenden Gesprächs interviewte die chinesische Investorin Sarah Guo (Guo Rui) Pushmeet Kohli, Vizepräsident für Wissenschaft und Strategie bei Google DeepMind (links auf dem Bild unten), und den Forscher Matej Balog (rechts auf dem Bild unten).

Sie teilten die Geschichte hinter AlphaEvolve mit. Neben Mathematik und Informatik stellten sie sich auch die Frage, ob die Idee hinter AlphaEvolve auch andere Grundlagenwissenschaften revolutionieren könnte.

AlphaEvolve beweist, dass Wissenschaft auch ohne "Glück", sondern durch Intelligenz revolutioniert werden kann. AlphaEvolve könnte gerade eine wissenschaftliche Revolution einleiten, die keine "Eingebung" erfordert.

AlphaEvolve: Ein Fortschritt, der Terence Tao überraschte

Die Mission von DeepMind ist es, verantwortungsvoll künstliche Intelligenz zu entwickeln, um der Menschheit zu nutzen. In den letzten Jahren hat DeepMind ständig nach neuen Algorithmen in der Wissenschaft gesucht.

Was macht AlphaEvolve anders?

Pushmeet Kohli meint, dass der Unterschied aus der Geschichte heraus verstanden werden kann.

Alles begann mit AlphaGo.

AlphaGo war nicht nur in der Lage, alle möglichen Stellungen im Go effizient zu erkunden, sondern konnte auch den besten Zug vorschlagen, den Menschen in den Jahrzehnten der Go-Geschichte nie eingefallen war.

In gewisser Weise ist AlphaGo ein KI-Agent. In einem riesigen Suchraum kann es effizient suchen und die optimale Lösung vorschlagen. Diese Fähigkeit hat die Menschen überrascht, da Go sehr komplex ist und Wissenschaftler dachten, dass es noch lange dauern würde, bis KI in diesem Bereich einen Durchbruch erzielen würde.

Aus der Arbeit an AlphaGo bekam DeepMind die Inspiration:

Wenn KI in der Lage ist, alle möglichen Stellungen im Go so effizient zu erkunden, könnte man ähnliche Konzepte auch nutzen, um im Algorithmenraum zu suchen?

Dies war die Grundlage für die Entwicklung von AlphaTensor.

Seit Jahrzehnten wurde angenommen, dass die Komplexität der Matrixmultiplikation kubisch ist. Das heißt, wenn man zwei Matrizen der Dimension n hat, beträgt die Zeitkomplexität der Berechnung n³.

Vor über 50 Jahren stellte der deutsche Mathematiker Volker Strassen eine sehr un-intuitive Methode vor und bewies, dass die Komplexität der Matrixmultiplikation tatsächlich geringer ist, als ursprünglich angenommen.

Durch die Suche entdeckte AlphaTensor eine effizientere Lösung als alle bisher bekannten Algorithmen. Es übertraf nicht nur die traditionellen Algorithmen in der Effizienz, sondern bewies auch, dass KI übermenschliche Durchbrüche erzielen kann.

Das Problem war jedoch, dass AlphaTensor speziell für die Matrixmultiplikation entwickelt wurde. Könnte man diese Methode auf allgemeinere Probleme anwenden? Dies führte zu weiteren Forschungen an AlphaEvolve.

AlphaEvolve kann nicht nur spezifische Aufgaben bewältigen, sondern ist vielseitiger und kann breitere Probleme lösen.

AlphaEvolve nutzt einen ähnlichen Evolutionsalgorithmus wie AlphaTensor. Aber es ist nicht auf das spezifische Problem der Matrixmultiplikation beschränkt, sondern kann in einem breiteren Programmierraum suchen und Lösungen vorschlagen.

Ständige Evolution und Selbstverbesserung

Klingt AlphaEvolve ähnlich wie evolutionäre Selektion, oder? Wie verbessert es sich von Generation zu Generation?

In jedem Generationszyklus verbessert sich AlphaEvolve ständig. Jede Generation baut auf den starken Lösungen der vorherigen Generation auf und optimiert sie.

Durch den Genpool und die Bewertungsfunktion wird sichergestellt, dass jede Verbesserung die Qualität der Gesamtlösung erhöht und gleichzeitig die Vielfalt aufrechterhalten wird, um in dem riesigen Suchraum die beste Lösung zu finden.

Wie groß ist der Umfang dieses Evolutionsprozesses? Wie kann man die Anzahl der Iterationen des Modells kontrollieren?

Hier hat AlphaEvolve eine tolle Eigenschaft: Es kann sich an die Schwierigkeit des Problems anpassen.

Wenn AlphaEvolve aufgefordert wird, ein relativ einfaches Problem zu lösen, bekommt es fast sofort die Antwort. Bei einem sehr komplexen Problem kann es jedoch länger dauern und mehr Generationen brauchen, um sich ständig zu verbessern.

Glücklicherweise kann AlphaEvolve ständig verbessert werden. Selbst bei extrem schwierigen Problemen kann es sich immer weiter verbessern.

Dies ist sehr wertvoll, da viele traditionelle Systeme bei der kontinuierlichen Optimierung frühzeitig an ihre Grenzen stoßen und keine weitere Verbesserung erzielen können.

Die Vorhersage, wie viele Generationen benötigt werden, um die optimale Lösung zu erreichen, ist komplex. Die Schwierigkeit eines Problems ist unvorhersehbar, insbesondere in der Wissenschaft, wo scheinbar einfache Probleme tatsächlich sehr schwierig sein können und umgekehrt. Zum Glück wird AlphaEvolve mit der Zeit ständig bessere Ergebnisse liefern, wenn man es einfach weiterlaufen lässt.

Die Bedeutung für Codierungsagenten

Wie unterscheidet sich AlphaEvolve von anderen Codierungsagenten?

Im Vergleich zu anderen Codierungsagenten hat AlphaEvolve den Vorteil, dass es komplexere Aufgaben bewältigen kann und effizienter und kreativer ist.

Bei komplexen oder unklaren Aufgaben geraten die meisten allgemeinen Codierungsagenten schnell in Schwierigkeiten oder machen Fehler, da sie normalerweise auf direkte Aufgabenbeschreibungen angewiesen sind, die oft nicht präzise genug sind, oder sie haben keine starke Urteilsfähigkeit.

AlphaEvolve hingegen basiert auf einer strengen Bewertungsfunktion. Es kann zwischen gültigen und ungültigen Lösungen unterscheiden.

Seine "Kreativität" zeigt sich nicht nur in der Vorschläge neuer Algorithmen, sondern auch in der Fähigkeit, Lösungen effektiv zu bewerten und zu optimieren.

Wenn immer eine neue Lösung vorgeschlagen wird, hilft die Bewertungsfunktion, zu entscheiden, ob sie gültig ist.

Beispielsweise könnte bei der Optimierung der Datenzentrumsplanung die Bewertungsfunktion ein Simulator sein, der anhand eines gegebenen Planungsalgorithmus beurteilen kann, wie gut dieser Algorithmus in der Realität funktioniert.

Dieser Bewertungsprozess hilft AlphaEvolve, den Lösungsraum genauer zu durchsuchen.

Für Entwickler ist es tatsächlich sehr herausfordernd, eine gute Bewertungsfunktion zu entwerfen. Man muss genau wissen, was eine gute Lösung ist. In einigen Fällen können Entwickler vorhandene Simulatoren zur Bewertung nutzen, in anderen, komplexeren Fällen muss möglicherweise ein maßgeschneidertes Bewertungstool entwickelt werden.

Die Bewertungsfunktion muss nicht nur zwischen guten und schlechten Lösungen unterscheiden können, sondern auch flexibel auf verschiedene Aufgaben angewendet werden können. Beispielsweise kann die Komplexität der Bewertungsfunktion bei der Optimierung der Datenzentrumsplanung viel höher sein als bei einigen einfachen Aufgaben.

Deshalb wird die Wichtigkeit der Bewertungsfunktion in KI-Systemen so stark betont. Nur mit einer präzisen Bewertungsfunktion kann KI effektiv innovieren.

Links: Ein heuristischer Funktionsansatz, der von AlphaEvolve speziell für die Arbeitslast und Kapazität von Google entwickelt wurde; Rechts: Eine visuelle Darstellung der heuristischen Bewertungsfunktion

Die Rolle der Wissenschaftler verändert sich

Matej Balog und Pushmeet Kohli sind sich einig: In Zukunft wird sich die Rolle der Wissenschaftler ändern.

Man kann sich vorstellen, dass Wissenschaftler in Zukunft mehr darauf konzentrieren werden, Probleme zu definieren, Bewertungsfunktionen zu entwerfen und die von KI generierten Ergebnisse zu interpretieren.

KI wird zu einem starken Werkzeug für Wissenschaftler werden und ihnen helfen, komplexe Probleme schneller zu lösen.

KI gibt nicht nur die Antworten, sondern auch die Algorithmen. Wissenschaftler können diese Algorithmen untersuchen, um die zugrunde liegenden Prinzipien zu verstehen. Dies ist sehr wichtig für ein tiefes Verständnis von Problemen und Lösungen.

Das ist der Grund, warum AlphaEvolve in vielen Bereichen erfolgreich ist.

Mathematiker und Wissenschaftler können nicht nur die endgültige Lösung sehen, sondern auch den Weg dahin verstehen. Dieser neue Blickwinkel ist für den Fortschritt der Wissenschaft von entscheidender Bedeutung.

Außerdem fördert AlphaEvolve nicht nur technologische Innovationen, sondern hilft auch Wissenschaftlern, neue Denkmuster zu entwickeln und bestehende Denkmodelle in Frage zu stellen.

Die Entstehung von AlphaEvolve markiert ein neues Zeitalter der wissenschaftlichen Forschung. Es hat nicht nur in der Algorithmenentwicklung Wunder bewirkt, sondern hat auch den Weg für eine zukünftige wissenschaftliche Revolution bereitet.

Unter dem Einfluss von AlphaEvolve könnten wir bald erleben: Wissenschaft wird nicht länger auf "Eingebung" angewiesen sein, sondern auf "Intelligenz".

Quellenangaben:

https://www.youtube.com/watch?v=2Fs6VZpsiMQ

Dieser Artikel stammt aus dem WeChat-Account "New Intelligence Yuan", Autor: KingHZ, veröffentlicht von 36Kr mit Genehmigung.