DeepMind 推出全新 AI 系統 AlphaEvolve，可自我糾錯但仍有關鍵限制

Google 旗下人工智慧實驗室 DeepMind 宣布推出全新 AI 系統 AlphaEvolve，目標針對具備「可機器評分」特性的問題進行最佳化求解。根據官方說法，AlphaEvolve 已成功應用於 Google 內部 AI 訓練基礎架構的優化任務，並將開放給部分研究人員進行早期測試。

自我評估機制，減少 AI「幻覺」現象

當前主流 AI 模型普遍面臨「幻覺問題」（hallucination），即模型可能生成看似合理但實際錯誤的答案。這一點在如 GPT-3 等大型語言模型中尤為明顯，甚至因其架構複雜，幻覺發生機率反而更高。

DeepMind 為此引入一項創新機制：自動評估架構。AlphaEvolve 不僅產生多種候選答案，還能自行對這些答案進行篩選與打分，最終挑出最準確的解法，某種程度上具備「自我糾錯」能力。

這類技術並非首次出現，DeepMind 早在幾年前就曾於數學問題中運用類似方法，不過官方強調，AlphaEvolve 內建的是新一代 Gemini 模型，效能遠超先前系統。

適用範圍有限　僅針對可公式化問題

雖然技術聽起來突破性十足，但 AlphaEvolve 有明顯限制：

• 系統只能處理「可公式化自我評估」的問題，因此僅適用於如電腦科學、最佳化理論、演算法設計等領域。

• 最終輸出結果只能是演算法或數學表示，不適用於開放性或非結構性問題（如語言理解、政策推論等）。

用戶在使用 AlphaEvolve 時，除了輸入問題本身外，還需提供對應的評估標準，通常以數學公式或可計算條件定義，讓系統能自動判斷解法優劣。

成果初現：75% 重現最佳解、20% 提出改進

在內部測試中，DeepMind 讓 AlphaEvolve 解題約 50 題，範圍涵蓋幾何、組合數學等領域，系統能在 75% 的題目中「重新發現」現有最優解，並在 20% 的案例中進一步提出改良版本。

此外，AlphaEvolve 也被應用在 Google 實際業務中，如提升資料中心效能、加速模型訓練等任務。據 DeepMind 表示，這套系統所提出的資源調度演算法，已為 Google 回收了 全球約 0.7% 的運算資源，並讓 Gemini 模型的訓練時間縮短了 1%。

尚未實現突破性創新，但已具實用價值

需要強調的是，目前 AlphaEvolve 尚未做出前所未見的重大發現。舉例來說，系統在針對 Google TPU 加速晶片的優化提案中，其建議內容其實早已由其他內部工具標記過。

不過 DeepMind 強調，AlphaEvolve 的價值在於大幅節省專家處理重複性任務的時間，讓人類研究者能更專注於策略規劃與創新發展，並期望該技術未來可成為輔助科研的關鍵夥伴。