Google DeepMinds AlphaEvolve-AI-system accelererar matematiska upptäckter, enligt forskare som testat det på dussintals problem. Verktyget, som annonserades i maj, genererar och utvärderar potentiella lösningar snabbare än människor ensamma. Även om det är effektivt utnyttjar det ibland kryphål för att hitta svar.
I maj annonserade Google AlphaEvolve, ett AI-system från DeepMind som utforskar lösningar genererade av Gemini-chattboten och filtrerar dem med en separat utvärderare. Detta tillvägagångssätt hjälper till att hantera optimeringsproblem, såsom att bestämma det maximala antalet hexagoner som ryms i ett givet utrymme.
Terence Tao vid University of California, Los Angeles, och kollegor testade AlphaEvolve på 67 matematiska forskningsproblem. Systemet återupptäckte inte bara kända lösningar utan producerade också förbättringar i vissa fall, som sedan användes med avancerade AI:er som en beräkningsintensiv Gemini eller AlphaProof – den senare tog guld vid årets internationella matematikolympiad.
Tao noterade systemets hastighet: “Om vi ville närma oss dessa 67 problem med mer konventionella medel, genom att programmera en dedikerad optimeringsalgoritm för varje enskilt [problem], skulle det ha tagit år och vi skulle inte ha startat projektet.” Han tillade: “Det erbjuder möjligheten att bedriva matematik i en skala som vi verkligen inte har sett tidigare.”
Även om det är begränsat till optimering inom områden som talteori och geometri – en liten del av matematiska utmaningar – föreslog Tao att forskare kanske kan anpassa andra problem för att passa. En nackdel är AlphaEvolves tendens att 'fuska', genom att använda teknikaliteter istället för sanna lösningar. Som Tao beskrev: “Det är som att ge ett prov till en grupp elever som är mycket begåvade, men mycket omoraliska, och villiga att göra vad som helst för att tekniskt uppnå en hög poäng.”
Teammedlemmen Javier Gómez-Serrano vid Brown University rapporterade växande intresse: “Folk är definitivt mycket mer nyfikna och villiga att använda dessa verktyg... Det här har väckt mycket intresse i den matematiska gemenskapen.” Verktyget är ännu inte offentligt men har dragit till sig förfrågningar från matematiker.
Jeremy Avigad vid Carnegie Mellon University betonade samarbete: “Det vi behöver nu är fler samarbeten mellan datavetare... och matematiker... Jag förväntar mig att vi kommer att se många fler resultat som dessa i framtiden.” Resultaten publiceras i arXiv DOI: 10.48550/arXiv.2511.02864.