谷歌发布了AlphaEvolve，一款引人注目的全新系统。这款系统在众多突破中，尤为突出地优化了一个困扰人类60年的著名数学难题的解法。

AlphaEvolve很特别，它或许很快会被比肩AlphaGo，和奠定现代人工智能基石的Transformer架构的发现，堪称人工智能领域的里程碑。

更重要的是，这款人工智能系统让我们不得不正视一个看似无可辩驳的事实：人工智能在科学发现中的应用可能是其最重大的贡献，而这一贡献，颇具讽刺意味的是，或许并不需要人工智能本身具备“智能”。

在充斥着虚假专家和晦涩术语的世界中，第一性原理分析与人工智能通常难以兼容。但在这里，它们却相得益彰。

在人工智能行业中，鲜有人比谷歌DeepMind首席执行官戴密斯·哈萨比斯更具影响力。凭借AlphaFold——一款能够根据氨基酸序列生成蛋白质折叠结构的人工智能，他荣膺诺贝尔化学奖。他始终强调，人工智能最重要的应用场景是助力科学发现。

不是对话型人工智能助手，也不是编程代理，而是作为发现的工具。

AlphaEvolve正是这一愿景的最新结晶。

简而言之，AlphaEvolve是一个迭代搜索系统，它利用大型语言模型（LLMs，如Gemini）对代码进行迭代，探索给定开放性问题的新解法。

这是一个编排系统，接受人类设定的任务，运用大型语言模型或一组模型提出代码修改建议，评估修改质量并不断调整，形成一个递归自优化的循环，带来了令人瞩目的成果。

为了阐明这一点，我们来看一个实际案例。在介绍AlphaEvolve时，我提到它优化了一个近60年（确切地说是56年）未有突破的开放性问题。

这个问题涉及矩阵乘法，即寻找以最少计算量尽可能快速执行矩阵乘法的方法。

在AlphaEvolve出现之前，这一领域的桂冠属于1969年开发的Strassen算法。该算法通过巧妙的递归技巧，将矩阵乘法的计算量从朴素方法的64次减少到49次。

如今，AlphaEvolve将4×4复数矩阵的乘法计算量进一步降低至48次，这是56年来首次有新算法超越Strassen算法。

如果你不是数学爱好者，可能会觉得“这又如何？”我完全理解。但如果你了解内情，就会知道矩阵乘法无处不在。更重要的是，它是生成式人工智能的核心数学操作。

事实上，可以毫不夸张地说，ChatGPT的本质就是一堆矩阵乘法。

因此，加速矩阵乘法是一个备受深入研究的课题，而AlphaEvolve的突破再次证明了人工智能超越了人类的能力。

而这一切的幕后推手，再次是谷歌。令人意外的是，这家公司的市盈率在所有科技巨头中最低，甚至低于标普500的平均水平！

但AlphaEvolve的贡献远不止于加速矩阵乘法。

AlphaEvolve被应用于50个已知的数学开放性问题，这些问题都被认为是“最优解”（如Strassen算法的49次乘法，被认为是特定问题下的最佳构造）。

结果令人叹为观止：

例如，谷歌利用AlphaEvolve优化了人工智能建模，通过改进矩阵分解为更小单元（称为“瓦片”）的方式，加速了矩阵乘法，带来了23%的速度提升，这对其自身的人工智能训练意义重大。

这一切无疑证明了人工智能在科学发现中的巨大潜力，用OpenAI首席执行官萨姆·奥特曼的话说，就是“推开无知的面纱，拓展发现的边界”。

但对我而言，AlphaEvolve的意义远超内核加速或减少矩阵乘法次数。它让我重新思考我们构建人工智能的目标。

当我们试图定义人工智能达到“通用人工智能”（AGI）或“超人类”水平时，总是以人类智能为锚点，潜意识里认为人工智能必须模仿人类智能才能称得上“智能”。

但果真如此吗？

戴密斯·哈萨比斯，一位神经科学家出身的研究者，长期以来挑战这一观点，而AlphaEvolve让我终于理解了他的深意。

要理解这一点，我们首先要承认人工智能的局限性：人工智能无法推理未知的事物，也无法提出未见过的内容。这是毋庸置疑的。

但如果它们不知道自己不知道什么，又如何能发现新事物呢？

答案很简单：通过搜索。AlphaEvolve的创造者们并未执着于人工智能的短板，而是聚焦于它们的优势——它们或许不知道未知，但知道如何发现未知。

用研究者的话说，AlphaEvolve的关键创新在于进化启发式搜索代码，而非直接进化发现本身。

这话听起来玄乎，究竟是什么意思？

想象一位厨师想要发明热量最低的食谱。

与其直接创造新菜肴（受限于已有知识），厨师构建了一个系统，设定一些启发式规则，如“每餐必须包含蛋白质、碳水化合物和健康脂肪”。这个自动化系统尝试不同的食材组合，测试结果，检查热量是否降低，然后调整搜索系统以进一步优化。

随着时间推移，系统学会了“减少脂肪通常能降低热量”之类的规律。于是，它更新自身，优先选择这些选项进行下一轮尝试。

最终，系统得出了一份不仅厨师本人，甚至全人类从未想过的食谱。更重要的是，连人工智能本身也不知道最终结果会是什么！

AlphaEvolve正是这样的系统，只不过它服务于数学和科学。

关键在于，人类并未干预这一搜索过程或搜索算法的优化，这完全是人工智能驱动的。

这就是核心启示：即使人工智能完全不知道最终结果是什么，它也能优化寻找结果的算法。

换句话说，AlphaEvolve中的大型语言模型并未直接提出具体的新解法（因为新解法显然不在其训练数据中），而是迭代优化搜索解法的代码。

这是一个极其巧妙的策略：

用更简单的语言表述：
大型语言模型不知道答案，但它知道如何编写可能找到答案的代码。

这就是我想传递的关键洞见：我们一直痴迷于让机器变得和人类一样聪明，具备适应性、序列化多步推理能力（如o3模型），以及第一性原理思考能力。

然而，人工智能历史上从未出现过模型能够超出其分布泛化的案例。

泛化：唯一的局限

历史上每一个人工智能模型的预测都完全基于它已见过的数据。

更严谨地说，人工智能所做的每一个“新事物”都是“已知”之间的组合插值。

我常举的例子是莎士比亚的iPhone诗。人工智能可以创作这样的诗，即便训练数据中不存在这类诗作，因为它能结合对莎士比亚诗歌和iPhone的知识。

但它能创造一种全新的诗歌形式，或设计一款全新的硬件产品吗？不能。

简单来说，如果不知道该做什么，人工智能就无能为力。

但问题在于：如果我们并不需要人工智能做到这一点呢？如果我们只需要它们去搜索呢？

搜索？搜索什么？

当人类不知道该做什么时，我们会寻找解决方案。与人工智能不同的是，我们能与环境互动，实时适应，并从新经历中学习。这是人类智能的基本原理。

因此，我们的搜索并非随机的。我们拥有直觉（即社会所谓的“常识”），这不过是基于过往经验的模式识别，实时缩小搜索范围。

但什么是直觉引导的搜索？

假设你在家里丢了车钥匙。你不会随机翻找每个角落（暴力搜索），而是先检查夹克口袋、厨房台面或玄关桌。

为什么？

因为你的直觉（基于经验的模式识别）告诉你，这些地方最有可能。这就是人类的搜索：受限、有据、高效，因为我们无法负担无尽的搜索。

人类的解法选择至关重要，因为我们受限于能量，必须快速思考、迅速行动。这是进化中的必然需求（例如，我们的祖先遇到狮子时必须迅速反应以求生）。

因此，谷歌本质上证明了：人工智能无需理解或知道某事物，就能发现它。

这是一条“非人类”的科学发现路径，而且它行之有效。

但为何称其为“非人类”？

如前所述，人类受限于能量、单一大脑和串行思维，搜索多种解法的能力极为有限。因此，我们进化出极为精明的候选选择能力。

人工智能则不受此限制，因此目标并非打造具备人类直觉的人工智能，而是实现“可扩展”的搜索。即找到一个“足够好”的搜索系统，然后投入大量算力。

AlphaEvolve正是这一理念的绝佳例证：它可能并不理解自己所做的许多发现，但依然做出了这些发现！

人工智能无需理解即可发现；无需“智能”即可做出“智能发现”；它们只需要足够的算力和足够好的启发式规则。

用更悲观的视角看，人工智能的集体“愚笨智能”可能通过暴力搜索，超越更聪明却更受限的人类智能。

我不知道是否该称之为“新型智能”，但我终于理解了为何一些研究者质疑追求人类智能的必要性。这或许是一条歧路（也可能不是），但关键在于，即便没有人类水平的智能，人工智能依然可能改变世界。