في خطوة قد تُعيد رسم حدود الابتكار العلمي، كشفت شركة ‏Google DeepMind‏ عن نظام ثوري يُدعى ‏AlphaEvolve، ‏يمثل قفزة نوعية في توظيف الذكاء الاصطناعي لحل مشكلات ‏رياضية وخوارزمية معقدة طالما حيّرت العلماء لعقود.   ‏

ما يميز ‏AlphaEvolve‏ ليس فقط قدرته على تسريع الحلول، بل ‏ابتكاره لطرق جديدة بالكامل، عبر الدمج بين إبداع نماذج اللغة ‏الكبيرة (‏LLMs‏) وخوارزميات تقييم تفاعلية تُنقّح وتُطوّر الأفكار ‏بشكل ذاتي ومتدرج.  ‏

نموذج يُبدع... لا يُقلّد
AlphaEvolve‏ يختلف عن الأدوات السابقة التي اعتمدت على ‏ذكاء اصطناعي مصمّم خصيصًا لمهام محددة. فهو نموذج عام متعدد ‏الاستخدامات، قادر على معالجة قضايا علمية في مجالات متعددة، ‏عبر ما يشبه دورة تطورية للأفكار. ‏

تبدأ العملية من إدخال مسألة علمية ومعايير للحل، ثم يقترح النموذج ‏مئات التعديلات، تقوم خوارزمية داخلية بتقييمها وفرز الأنسب منها، ‏لتولد عنها حلول جديدة أكثر تطورًا. هكذا، يتطور النظام بشكل ذاتي، ‏ويُنتج أفكارًا مبتكرة تمامًا دون تدخّل بشري مباشر.‏

ووفقًا لما نشره موقع ‏Scientific American، لم يبقَ ‏AlphaEvolve‏ مجرد تجربة نظرية في المختبر، بل أثبت فعاليته ‏في أرض الواقع داخل شركة ‏Google‏ نفسها. ‏

فقد ساهم في تحسين تصميم الجيل الجديد من معالجات الذكاء ‏الاصطناعي (‏TPUs‏)، كما أعاد تنظيم طريقة توزيع المهام ‏الحوسبية في مراكز بيانات جوجل حول العالم، ما أدى إلى توفير ‏‏0.7% من إجمالي موارد الشركة — وهي نسبة ضخمة عند الحديث ‏عن بنية تحتية بحجم غوغل.‏

إنجاز رياضي يتفوق على إنسان منذ 1969‏
واحدة من أبرز مفاجآت ‏AlphaEvolve‏ كانت ابتكار خوارزمية ‏جديدة لضرب المصفوفات تتفوق – في بعض الحالات – على ‏الطريقة الأسرع المعروفة حتى اليوم، والتي ابتكرها الرياضي ‏الألماني فولكر شتراسن عام 1969. مثل هذه العمليات أساسية في ‏تدريب الشبكات العصبية، ما يعكس البعد الاستراتيجي لاكتشاف كهذا.    ‏نقلة على مستوى الحجم والتعقيد

بُني ‏AlphaEvolve‏ على أساس نظام ‏FunSearch‏ الذي أُطلق ‏في 2023، والذي أظهر قدرة على حل مسائل رياضية غير محلولة. ‏إلا أن ‏AlphaEvolve‏ يتميز بقدرته على معالجة شيفرات أكبر ‏وخوارزميات أكثر تعقيدًا، بالإضافة إلى اتساع نطاق تطبيقه في ‏العلوم والهندسة.‏

‏

حدود الإمكانات
ورغم الإشادات، يقرّ علماء مثل سيمون فريدر من جامعة أوكسفورد ‏أن إمكانات ‏AlphaEvolve‏ قد تظل محدودة بالمهام القابلة للتحويل ‏إلى أكواد قابلة للتقييم. كما دعا باحثون مثل هوان صن إلى الحذر، ‏مطالبين بتجارب مفتوحة ضمن المجتمع العلمي قبل الحكم النهائي ‏على قدرات النظام.‏

ورغم أن تشغيل ‏AlphaEvolve‏ أقل استهلاكًا للطاقة من ‏AlphaTensor، إلا أن كلفته لا تزال مرتفعة بما يمنع توفيره ‏للجمهور حاليًا. مع ذلك، تأمل ‏Google DeepMind‏ أن يدفع هذا ‏التقدم الباحثين إلى اقتراح مجالات جديدة لتجريب هذا النظام، مؤكدة ‏التزامها بإتاحة أدواته تدريجيًا أمام المجتمع العلمي العالمي.‏