谷歌DeepMind发布AlphaEvolve：会自己编程进化的AI智能体，破解56年未解数学难题 原创

去年，谷歌的AlphaFold3在生物分子序列预测准确度上刷新大家对AI科研的认知。

最近，又有一群顶尖数学家、科学家参与到谷歌DeepMind的AI智能体AlphaEvolve研发过程中，包括华裔数学天才陶哲轩在内。

陶哲轩为这个项目提出了许多高质量的开放性数学问题用于训练智能体。

(注：陶哲轩，被誉为“数学界的莫扎特”，在31岁时荣获菲尔兹奖，因证明存在任意长的素数等差数列、解决埃尔德什差异问题及在调和分析等领域的突破性贡献而闻名。)

以往AI模型和智能体的研发过程，通常是由工程师先从互联网获取海量质量一般的数据，进行数据清洗再训练。

而这一次，数学家和科学家加入并且提供专业数据和建议，可能预示着AI模型和智能体的智能正在从普通人级别向专家级的更深层次进化。

2025年6月，谷歌DeepMind团队发表论文AlphaEvolve: A coding agent for scientific and algorithmic discovery。研究展示了一个能够自主编程并不断进化的AI智能体AlphaEvolve，这个智能体已经在数学难题、机器学习、硬件设计等多个重要领域取得了突破性进展。

设想有这样一位特殊的科学家：它永远不知疲倦，能够同时掌握数学、计算机科学和工程学的所有知识，更重要的是，它还能自己编写和改进代码来解决问题。当遇到困难时，它不会放弃，而是会像生物进化一样，不断尝试新的方法，保留有效的改进，淘汰无用的尝试，最终找到比人类更好的解决方案。这就是谷歌DeepMind最新发布的AlphaEvolve智能体。

AlphaEvolve最令人震撼的成就是在矩阵乘法这个基础数学问题上取得了56年来的首次突破。自1969年德国数学家Strassen提出著名的矩阵乘法算法以来，这个看似简单却极其重要的计算问题一直没有得到根本性改进。AlphaEvolve通过自己编写和进化代码，找到了一种新的4×4矩阵乘法算法，只需要48次标量乘法运算，比Strassen算法减少了一次运算。听起来改进很小，但在计算机科学中，这种基础操作的任何优化都会产生巨大的连锁效应。

除了数学突破，AlphaEvolve还在谷歌自己的计算基础设施上发挥了实际作用。它为谷歌的数据中心设计了更高效的任务调度算法，找到了硬件加速器电路设计的简化方案，甚至加速了支撑AlphaEvolve自身的大语言模型的训练过程。更有趣的是，它还在50多个数学难题上进行了挑战，其中75%达到了已知最佳水平，20%超越了现有最好成果。

进化编程的魔法：让AI像生物一样自我改良

要理解AlphaEvolve的工作原理，我们可以把它想象成一个永不停歇的生物实验室。在这个实验室里，不是在培养细胞或细菌，而是在培养各种不同的计算机程序。每个程序就像一个独特的生物体，具有自己的"基因"（代码结构）和"能力"（解决问题的效果）。

传统的编程方式就像手工制作每一件工艺品，程序员需要仔细思考每一行代码的作用，精心设计程序的逻辑结构。这种方式虽然精确，但受限于人类的认知能力和创造力。而AlphaEvolve采用的是完全不同的策略，它模仿生物进化的过程，让程序自己"繁殖"和"变异"。

具体来说，AlphaEvolve首先从一个简单的初始程序开始，这个程序可能功能很基本，效果也不算好，就像进化初期的简单生物一样。然后，系统会创建这个程序的许多变种，每个变种都有一些随机的改动，就像生物繁殖时的基因突变。接下来是关键的淘汰环节：系统会测试每个变种程序的表现，保留那些效果更好的版本，淘汰表现较差的。这个过程不断重复，效果好的程序会继续"繁殖"出新的变种，效果差的则被自然淘汰。

经过成千上万代的演化后，最终存活下来的程序往往具有人类程序员从未想过的巧妙设计。这些程序可能使用了非常规的算法结构，或者以意想不到的方式组合不同的计算方法，就像自然界中许多生物的精巧结构是人类工程师难以设计出来的一样。

AlphaEvolve的独特之处在于，它不只是改进程序的某个小部分，而是可以对整个代码文件进行全面改造。它可以修改程序的核心算法、调整参数设置、重新组织代码结构，甚至添加全新的功能模块。这种全方位的进化能力使得它能够发现那些只有通过大幅改动才能实现的优化方案。

整个进化过程由一个智能的管理员来协调，这个管理员实际上是一套复杂的大语言模型。它负责生成新的代码变种，就像控制生物变异的遗传机制一样。当需要对现有程序进行改进时，这个管理员会分析程序的当前状态、历史表现和可能的改进方向，然后生成针对性的修改建议。这些建议不是随机的胡乱改动，而是基于对编程最佳实践和问题特性的深度理解。

为了确保进化过程的有效性，AlphaEvolve还设计了一套精密的评估体系。每个新生成的程序都会在严格的测试环境中接受评估，系统会从多个角度考察程序的表现：不仅要看最终结果是否正确，还要考虑运行效率、资源消耗、稳定性等多个指标。只有在所有方面都表现出色的程序才能获得继续进化的机会。

这种进化机制的另一个巧妙之处是它具有学习记忆功能。系统会记录每次成功改进的模式和策略，在后续的进化过程中优先尝试那些曾经证明有效的改进方向。这就像生物进化中的适应性学习，成功的特征会在后代中得到强化和传播。

算法考古学：重新定义矩阵计算的基础法则

矩阵乘法听起来像是大学数学课上的抽象概念，但实际上它是现代数字世界的基石之一。当你在手机上看视频、使用AI聊天软件、玩3D游戏，或者让语音助手理解你的话时，背后都有大量的矩阵计算在默默运行。可以说，如果把现代计算机比作一座巨大的工厂，那么矩阵乘法就像是这座工厂最基础的生产线，任何效率提升都会带来整个工厂产能的飞跃。

1969年，德国数学家Strassen提出了一个划时代的发现。在此之前，人们计算两个矩阵相乘时采用的是最直观的方法，就像手工计算乘法表一样，需要进行大量的逐个相乘和相加操作。对于两个2×2的小矩阵，传统方法需要8次乘法运算。Strassen通过巧妙的数学技巧，将这个数字减少到了7次，这个看似微小的改进实际上具有革命性的意义。

Strassen算法的核心思想是通过重新组织计算步骤来减少乘法操作的次数。就像一个聪明的厨师会预处理食材来简化烹饪过程一样，Strassen通过预先计算一些中间结果，然后巧妙地组合这些结果来得到最终答案。这种方法的威力随着矩阵规模的增大而变得更加明显。当处理更大的矩阵时，可以递归地应用这个算法，从而获得比传统方法快得多的计算速度。

自Strassen算法问世以来的56年里，数学家和计算机科学家一直在寻找更好的矩阵乘法算法。这个问题被认为是计算复杂性理论中最重要的开放问题之一。许多聪明的头脑尝试过各种创新方法，但都没有能够在实用性和效率之间找到比Strassen更好的平衡点。一些理论上更优的算法存在，但它们要么只在极大的矩阵上才显示出优势，要么计算过程过于复杂，实际应用价值有限。

AlphaEvolve面对这个挑战时采用了一种全新的策略。它不是从理论推导开始，而是让程序自己去探索可能的计算路径。系统从一个基础的矩阵乘法实现开始，然后不断尝试各种可能的优化方向：调整算法参数、修改计算顺序、引入新的中间变量、改变数值精度控制等等。

在探索4×4矩阵乘法的过程中，AlphaEvolve发现了一种只需要48次标量乘法的新算法，比Strassen递归算法的49次减少了一次。这个发现的意义远超表面上的数字改进。首先，它证明了经典算法仍有改进空间，打破了该领域多年的沉寂。其次，这个新算法适用于复数矩阵，扩展了应用范围。最重要的是，它展示了AI智能体在数学发现方面的巨大潜力。

AlphaEvolve在矩阵乘法方面的成就不止于此。它系统性地改进了14种不同规模的矩阵乘法算法，涉及从2×2到5×5的各种矩阵大小。对于每种情况，系统都能找到与已知最佳结果相当或更优的算法。这种全方位的突破表明，AlphaEvolve发现的不是偶然的个例，而是一套系统性的优化方法。

特别值得注意的是，AlphaEvolve发现的算法不仅在理论上更优，而且在实际应用中也表现出色。这些算法已经被集成到实际的计算系统中，为机器学习训练、科学计算和图形处理等应用带来了实际的性能提升。这证明了AI发现的算法不仅具有学术价值，更有直接的实用意义。

数学奥秘的AI探险家：挑战半个世纪的未解难题

AlphaEvolve在数学领域的表现就像一位永不疲倦的探险家，专门寻找那些困扰数学家多年的难题并尝试解决它们。研究团队精心挑选了50多个来自不同数学分支的开放性问题，这些问题有一个共同特点：它们都需要找到具有特定优美性质的数学对象或构造。

这些数学问题的特殊之处在于，它们不是要证明某个定理或推导某个公式，而是要构造出满足特定条件的具体例子。就像建筑师要设计一座既美观又实用的建筑一样，数学家需要构造出既满足数学约束又具有最优性质的数学结构。这类问题特别适合AlphaEvolve的进化方法，因为系统可以生成大量候选构造，然后通过自动评估来筛选出最优的结果。

在组合数学领域，AlphaEvolve解决了Erdos最小重叠问题的一个变种。这个问题源于匈牙利传奇数学家保罗·Erdos在1955年提出的一个看似简单的几何问题：如何在平面上放置两个函数，使得它们的重叠区域尽可能小，同时保持某些数学性质。这个问题虽然表述简单，但蕴含着深刻的数学内涵，与数论、分析学和几何学都有密切联系。几十年来，数学家们不断改进这个问题的界限，但每一次微小的改进都需要巧妙的构造和精密的计算。AlphaEvolve通过系统性的搜索找到了新的构造，将最优界限从0.380927改进到了0.380924，虽然改进幅度很小，但在这个研究了近70年的问题上，任何进展都是珍贵的。

在几何学的球体打包问题上，AlphaEvolve也取得了突破。十一维空间中的接吻数问题询问最多能有多少个相同大小的球体同时接触一个中心球体而互不重叠。这个问题在低维空间中已经得到完全解决，但随着维度增加，问题变得极其复杂。在十一维空间中，之前的最佳结果是592个球体，AlphaEvolve找到了一种新的排列方式，成功放置了593个球体，创造了新的纪录。这个成就不仅提升了数学界对高维几何的理解，也为材料科学和信息理论中的相关应用提供了新的理论基础。

在分析学领域，AlphaEvolve改进了几个与傅里叶分析相关的不等式。这些不等式描述了函数及其傅里叶变换之间的关系，在信号处理、量子力学和偏微分方程理论中都有重要应用。通过构造新的测试函数，AlphaEvolve改进了几个重要不等式的最优常数，为相关理论提供了更精确的工具。

AlphaEvolve解决这些数学问题的方法体现了其独特的优势。传统上，数学家解决这类构造性问题时主要依靠直觉、经验和理论洞察。他们可能会花费数月甚至数年时间来寻找合适的构造，过程中需要大量的试错和计算验证。AlphaEvolve则能够系统性地探索巨大的可能性空间，在相对较短的时间内尝试千万种不同的构造，并通过精确的数值计算来评估每种构造的优劣。

更重要的是，AlphaEvolve发现的解决方案往往具有意想不到的结构。许多情况下，AI找到的最优构造使用了人类数学家不会优先考虑的方法或模式。这不仅提供了新的具体结果，还为数学家提供了新的研究方向和启发。例如，在某些几何打包问题中，AlphaEvolve发现的最优配置具有一些非显然的对称性，这些对称性可能为理论分析提供新的切入点。

谷歌基础设施的AI优化师：从数据中心到芯片设计

AlphaEvolve的实用性不仅体现在解决抽象的数学问题上，更重要的是它已经在谷歌的实际业务中发挥了重要作用。谷歌作为全球最大的互联网公司之一，运营着庞大的计算基础设施，任何微小的效率提升都会产生巨大的经济和环境效益。AlphaEvolve在四个关键的基础设施层面都实现了实际的性能改进。

在数据中心调度方面，AlphaEvolve面对的是一个极其复杂的优化问题。谷歌的数据中心每天要处理数百万个计算任务，这些任务的类型、规模和资源需求都不相同。如何合理地将这些任务分配到成千上万台服务器上，是一个涉及多重约束和目标的复杂决策问题。就像一个超级复杂的拼图游戏，每个任务都是一个形状独特的拼图片，而服务器就是拼图板上的空间，目标是让所有拼图片都能完美匹配，同时最大化整体利用率。

传统的调度算法通常基于一些启发式规则，比如优先分配给负载较轻的服务器，或者根据任务的紧急程度来确定优先级。这些规则虽然能够工作，但往往无法充分利用服务器的多维资源（CPU、内存、存储、网络带宽等）。一个常见的问题是资源孤岛：一台服务器的CPU已经满负荷，但内存还有大量空闲，而另一台服务器的情况可能正好相反。这种不匹配导致了资源浪费。

AlphaEvolve通过进化算法发现了一个简洁而有效的调度策略。新算法考虑了任务对不同资源的需求比例，以及服务器当前的资源剩余情况，然后计算一个综合评分来指导分配决策。令人惊讶的是，这个由AI发现的算法非常简单，只有几行代码，但其效果却显著超过了人工设计的复杂算法。部署后，这个新算法持续为谷歌全球数据中心节省了0.7%的计算资源，这个看似微小的改进实际上相当于节省了数千台服务器的计算能力。

在机器学习训练优化方面，AlphaEvolve专注于提升Gemini模型训练过程中的矩阵乘法效率。大型语言模型的训练需要进行大量的矩阵运算，而矩阵乘法的效率直接影响训练速度和成本。这里的挑战是如何为特定的硬件和矩阵规模找到最优的计算策略。

传统上，这类优化需要资深的性能工程师花费数月时间手工调试各种参数配置。AlphaEvolve则能够自动探索不同的优化策略，包括内存访问模式、计算分块方式、并行化策略等多个维度。通过在真实的TPU硬件上运行大量实验，系统最终发现了一套优化配置，使相关矩阵运算的平均速度提升了23%，并将Gemini的整体训练时间缩短了1%。考虑到训练一个大型语言模型需要数万小时的计算时间，1%的改进意味着节省了数百小时的昂贵计算资源。

在硬件设计层面，AlphaEvolve参与了谷歌TPU芯片的电路优化。TPU是谷歌专门为机器学习设计的专用芯片，其中的算术单元需要在保证计算精度的同时最小化功耗和芯片面积。这是一个需要深厚硬件设计经验的专业领域，传统上需要工程师手工分析电路逻辑并进行优化。

AlphaEvolve通过分析TPU中矩阵乘法单元的Verilog代码，发现了一处可以简化的电路逻辑。虽然这个改进看起来很简单，只是去除了一些冗余的位操作，但它体现了AI系统在硬件优化方面的潜力。更重要的是，这个优化已经被集成到即将发布的新一代TPU中，成为Gemini对其自身硬件平台的首次直接贡献。

在编译器优化方面，AlphaEvolve挑战了一个特别困难的任务：直接优化编译器生成的中间代码。这种代码是编译器在将高级程序语言转换为机器码过程中产生的中间表示，通常不是为人类阅读设计的，而且已经经过了编译器的多轮优化。在这种代码上找到进一步的优化空间极其困难。

AlphaEvolve专注于优化FlashAttention这个在Transformer模型中至关重要的计算核心。通过对中间代码的系统性分析和修改，系统发现了两个层面的优化机会：首先是核心计算部分的算法改进，实现了32%的速度提升；其次是输入输出预处理部分的优化，获得了15%的性能改进。这些优化已经被应用到实际的推理系统中，为谷歌的AI服务提供了直接的性能提升。

AI编程进化的秘密武器：大模型协作与自我改进机制

AlphaEvolve的核心技术架构体现了现代AI系统设计的精髓：将多个专门化的组件协调工作，形成一个比单个部分更强大的整体系统。这种设计理念类似于一个高效的科研团队，每个成员都有自己的专长，通过密切协作来解决复杂问题。

系统的大脑是一个由多个大语言模型组成的智能集群。这个集群包括了两种不同特性的模型：Gemini 2.0 Flash和Gemini 2.0 Pro。Flash版本就像团队中的快手成员，虽然思考深度相对有限，但反应速度极快，能够在短时间内生成大量的改进建议。Pro版本则像团队中的深度思考者，虽然思考时间较长，但能够提出更加精妙和突破性的解决方案。这种搭配策略确保了系统既能保持高效的探索速度，又不会错过需要深度洞察才能发现的优化机会。

在代码生成和修改方面，AlphaEvolve采用了一种类似于代码审查的工作模式。当系统需要改进某个程序时，它不会简单地随机修改代码，而是会分析当前程序的结构、历史表现和可能的改进方向。基于这种分析，语言模型会生成具体的修改建议，这些建议以标准的代码差异格式呈现，就像程序员在代码仓库中提交更改一样。

这种代码修改方式的巧妙之处在于它的精确性和可控性。系统可以同时修改程序的多个部分，包括核心算法逻辑、参数配置、辅助函数等，而且每个修改都有明确的指向性。这种能力使得AlphaEvolve能够进行大规模的程序重构，发现那些需要多个协调改动才能实现的优化方案。

为了确保进化过程的质量，AlphaEvolve设计了一套多层次的评估机制。这套机制的核心是一个自动化的测试框架，能够从多个维度评估程序的表现。对于数学问题，评估重点是计算结果的正确性和优化目标的达成度；对于工程应用，评估还包括运行效率、资源消耗、稳定性等实用指标。

特别值得注意的是，AlphaEvolve具有强大的上下文学习能力。系统会维护一个详细的进化历史档案，记录每次成功改进的模式、失败尝试的教训，以及不同类型问题的有效解决策略。这个档案不仅用于指导当前的进化过程，还能够在处理新问题时提供有价值的参考。这种学习机制使得系统能够在处理相似问题时表现出明显的效率提升。

在提示工程方面，AlphaEvolve采用了一种自我优化的策略。系统不仅进化目标程序，还会进化用于指导程序生成的提示语。这种元层面的优化确保了系统能够持续改进自己的思考方式，发现更有效的问题解决策略。

系统的分布式执行架构专门针对大规模并行计算进行了优化。由于进化过程需要评估大量的候选程序，而每个程序的评估可能需要数小时的计算时间，因此高效的并行化至关重要。AlphaEvolve采用异步计算模式，能够同时运行数百个独立的进化实验，大大加速了整个发现过程。

为了保证所有发现的可靠性，AlphaEvolve还集成了严格的验证机制。对于数学问题，系统会使用多种独立的方法验证结果的正确性；对于工程应用，会在多种不同的环境和配置下测试改进的效果。只有通过所有验证测试的结果才会被认为是有效的发现。

从理论到实践：AI科学发现的未来图景

AlphaEvolve的成功标志着人工智能在科学发现领域迈出了重要一步，但同时也揭示了这种方法的局限性和未来发展方向。研究团队在论文中坦诚地讨论了当前系统的约束条件和改进空间，为未来的研究指明了方向。

当前AlphaEvolve最主要的限制是它依赖于自动化评估。系统只能处理那些可以通过计算机程序精确评估解决方案质量的问题。这个要求排除了许多重要的科学研究领域，比如需要实物实验验证的材料科学问题，或者需要人类专家主观判断的社会科学研究。然而，这个限制在数学、计算机科学和工程优化等领域并不构成障碍，因为这些领域的很多问题都具有明确的数学定义和客观的评价标准。

在计算资源方面，AlphaEvolve展现出了令人印象深刻的效率。与其前身FunSearch相比，新系统在使用更少语言模型采样的情况下达到了更好的效果。这种效率提升主要来自于更精准的搜索策略和更丰富的上下文信息。系统能够从历史经验中学习，避免重复那些已经证明无效的探索方向，从而将计算资源集中在最有希望的改进路径上。

研究团队进行的详细对比实验揭示了系统各个组件的重要性。结果显示，进化机制、丰富的上下文信息、强大的语言模型、多目标优化能力等每个特性都对最终效果有显著贡献。特别是使用最新一代大语言模型带来的改进最为明显，这表明随着语言模型能力的持续提升，AlphaEvolve类似的系统也会获得相应的性能提升。

在实际应用的扩散方面，AlphaEvolve的影响已经超出了谷歌内部。矩阵乘法算法的改进为整个计算机科学界提供了新的研究方向，数学界的发现为相关理论提供了新的例证和启发。更重要的是，这种AI辅助科学发现的方法论为其他研究机构和公司提供了可以借鉴的框架。

从技术演进的角度看，AlphaEvolve代表了AI系统从被动工具向主动发现者的重要转变。过去，AI主要用于加速已知方法的执行或协助人类进行数据分析，而现在AI开始具备独立发现新知识的能力。这种转变的意义不仅在于解决了具体问题，更在于展示了AI在科学研究中的新角色。

研究团队特别强调了一个有趣的自反馈循环：AlphaEvolve发现的优化方法正在被用来改进支撑AlphaEvolve自身的计算基础设施。这种自我改进机制虽然目前效果有限，但暗示了未来AI系统可能具备的自我演化能力。随着这种循环的不断进行，我们可能会看到AI系统的能力出现加速提升。

在科学方法论方面，AlphaEvolve提出了一种新的研究范式。传统科学研究通常遵循"假设-实验-验证"的线性流程，而AI驱动的发现更像是"大规模并行探索-模式识别-知识提取"的过程。这种方法特别适合那些解空间巨大、人类直觉难以覆盖的问题。它不是要替代传统的科学方法，而是为科学家提供了一种强有力的补充工具。

从更宏观的角度来看，AlphaEvolve的成功验证了一个重要观点：当前的AI技术已经具备了在某些领域进行原创性科学发现的能力。这不仅仅是计算能力的胜利，更是AI系统在创造性思维方面的突破。系统能够发现人类专家没有想到的解决方案，这表明AI已经开始展现出真正的创新能力。

至顶AI实验室洞见

AlphaEvolve正在解决很多真实的科研问题，而不只停留在AI科研的概念层面。

在技术发展方向上，未来的AI科学发现系统可能会具备更强的跨领域整合能力。当前的AlphaEvolve主要专注于单一领域的问题，但科学研究中的许多重大突破往往来自于不同领域知识的交叉融合。未来的系统可能能够同时掌握物理学、化学、生物学、数学等多个领域的知识，并在它们的交汇处发现新的机会。

在人机协作模式方面，AI科学发现系统的发展将推动科学研究工作方式的根本变革。未来的科学家可能会更多地扮演问题定义者和结果解释者的角色，而将繁重的探索工作交给AI系统。这种协作模式将使人类科学家能够专注于那些最需要创造力和直觉的工作，而让AI承担大量的计算密集型探索任务。

在科学教育方面，AlphaEvolve这样的系统也将带来深刻影响。当AI能够在数学和科学问题上表现出超人的能力时，传统的科学教育模式可能需要重新思考。未来的科学教育可能更加重视培养学生与AI协作的能力，以及那些AI暂时无法替代的创造性思维和跨领域洞察力。

在更广泛的社会影响层面，AI科学发现的普及可能会加速整个科学研究的进程。当越来越多的研究机构能够使用类似AlphaEvolve的工具时，科学发现的速度可能会出现指数级增长。这种加速可能会在气候变化、疾病治疗、能源技术等关键领域产生突破性进展，为人类面临的重大挑战提供解决方案。

AlphaEvolve的出现，说明我们正站在一个历史性的转折点上。AI不再只是科学研究的工具，而正在成为科学发现的参与者。人类的好奇心和AI的计算能力将携手合作，共同探索宇宙的奥秘，推动知识的边界不断扩展。

论文地址：
https://www.arxiv.org/abs/2506.13131

END

本文来自至顶AI实验室，一个专注于探索生成式AI前沿技术及其应用的实验室。致力于推动生成式AI在各个领域的创新与突破，挖掘其潜在的应用场景，为企业和个人提供切实可行的解决方案。

Q&A

Q：AlphaEvolve在矩阵乘法领域取得了什么突破？

A：AlphaEvolve通过自主编程和进化，发现了一种新的4×4矩阵乘法算法，仅需48次标量乘法运算，比1969年Strassen算法的49次减少了一次。这是56年来该领域的首次突破，并在14种不同规模的矩阵乘法中实现了系统性优化。

Q：AlphaEvolve如何解决数学难题？

A：AlphaEvolve采用类似生物进化的方法，通过生成大量程序变体，筛选表现最优的解决方案。它成功解决了50多个数学难题，包括Erdos最小重叠问题和十一维球体打包问题，其中20%的成果超越了人类已知的最佳结果。

Q：AlphaEvolve在谷歌的实际应用中发挥了哪些作用？

A：AlphaEvolve优化了谷歌数据中心的调度算法，节省了0.7%的计算资源；加速了Gemini模型的训练，效率提升23%；改进了TPU芯片的电路设计，并优化了编译器生成的中间代码，为AI服务提供了直接性能提升。