谷歌AI AlphaEvolve破解数学“外星人难题”：自写算法刷新十年纪录 | AINEWS

type

status

date

slug

summary

引言：当AI开始“自创”数学工具

在数学界，有一个著名的“外星人难题”——拉姆齐数（Ramsey Numbers）。匈牙利传奇数学家保罗·埃尔德什曾戏言，如果外星人威胁要毁灭地球，除非人类能算出R(5,5)的值，那么人类最理性的选择可能是先发制人或是直接投降，因为其计算量之大超出了人类文明的极限。

然而，就在最近，谷歌DeepMind再次投下震撼弹。他们开发的全新系统 AlphaEvolve，不仅在极值组合学领域取得了重大突破，更是一次性改进了五个经典拉姆齐数的下界。更令人惊叹的是，这些突破并非来自人类设计的特定算法，而是由AI自主编写的“元算法”（Meta-algorithm）完成的。这一成果标志着AI已经从“解题工具”进化为“工具创造者”。想要了解更多前沿AI科技动态，欢迎访问 AINEWS AI门户。

什么是拉姆齐数？为何它是“数学家的噩梦”

拉姆齐理论的核心可以用一个简单的社交例子来理解：在任意六个人中，总能找到三个人互相认识，或者三个人互不认识。用图论的语言表达，R(3,3) = 6。

随着参数的增加，寻找拉姆齐数的难度呈指数级爆炸。寻找“下界”的过程，本质上是构造一个巨大的图，使其不包含特定的子图结构。几十年来，数学家们为了将某个拉姆齐数的下界推进“1”，往往需要手工设计极其精密的搜索算法。而在AlphaEvolve出现之前，许多纪录已经尘封了十年甚至二十年之久。

AlphaEvolve的核心逻辑：进化代码而非仅仅计算

AlphaEvolve与以往AI最大的不同在于，它不直接搜索“图”，而是搜索“生成图的算法”。这是一种被称为元搜索（Meta-search）的机制。其工作流程如下：

算法种群初始化：系统维护一个初始的算法池，哪怕最初的代码非常简陋。

LLM变异驱动：利用大语言模型（如Gemini）对现有的优秀算法代码进行“变异”。AI会尝试修改搜索策略、引入新的启发式规则或调整初始化参数。

生存竞争与评分：运行变异后的代码。如果该算法能构造出更大、更符合条件的数学图，它就会获得高分并进入下一轮进化。

迭代优化：通过不断的自我迭代，AI最终进化出了一套人类专家难以想象的高效搜索策略。

这种“AI写代码优化算法”的模式，避开了传统人工设计算法的直觉局限，让AI在离散且巨大的组合空间中找到了最优路径。

深度解析：AI自创的四大算法家族

在AlphaEvolve刷新纪录的过程中，它展现出了极高的创造力，生成的算法可以归纳为四大风格迥异的“家族”：

代数结构播种流：利用深奥的代数图（如Paley图）作为起点，再进行局部微调。这种方法成功突破了R(4,13)的纪录。

循环图与无和集引导：利用代数性质天然规避某些结构，这是刷新纪录最多的方法，助力了R(3,13)和R(3,18)的突破。

随机暴力与模拟退火：在较小规模的问题上，AI优化了传统的退火算法，使其效率远超人类手工版本。

混合谱方法与分形构造：这是最复杂的一类，AI将分形几何、谱性质分析和动态温度调节融合在一起，构造出了极其精巧的搜索逻辑。

论文作者指出，AlphaEvolve生成的某些策略在现有的数学文献中完全找不到先例。这意味着AI正在通过自主探索，补全人类数学直觉的空白。

飞轮效应：AI自我提升的终极闭环

DeepMind CEO Hassabis对AlphaEvolve寄予厚望。他认为，这不仅仅是数学上的胜利，更是AI自我提升闭环的体现：

Gemini 生成代码 -> 进化出更优的算法。

算法优化数学难题 -> 同时也优化谷歌的数据中心调度与芯片设计。

更强的基础设施 -> 加速下一代更强大AI模型的训练。

这种“知识催生更多知识”的飞轮正在加速旋转。从AlphaGo战胜人类顶尖棋手，到AlphaFold预测蛋白质结构，再到如今AlphaEvolve自主发明算法，AI正从特定领域的专家转变为通用的科学发现引擎。

结论：AI for Science 的新纪元

AlphaEvolve的成功证明了，在面对没有梯度、空间巨大的离散组合问题时，LLM驱动的代码进化具有巨大的潜力。虽然目前AI还主要集中在寻找“下界”（构造反例），但在逻辑证明和寻找“上界”方面，人类与AI的深度协作将是未来的主旋律。

我们正站在一个新时代的起点，AI不再仅仅是人类的助手，它正在重写科学发现的规则。如果您想持续关注AGI、大模型及人工智能的深度解析，请锁定 AINEWS，获取最专业的AI日报与技术指南。