Google AI部門DeepMind曾經以AlphaGo擊敗棋王一時聲名大噪，本周DeepMind宣布最新AI模型研發成果AlphaDev，可加速數據中心運行速度並具節能之效。
AlphaDev是以精通下棋及電玩遊戲的AlphaZero（曾經擊敗過AlphaGo）和MuZero模型改良而成。兩者後來改以優化數據中心和圖片壓縮為主軸。而AlphaDev則是AlphaZero的特化版，它發現新的資料排序（sorting）及散列（hashing）算法，可加速軟體程序代碼的執行。
AlphaDev找尋新算法是從讓電腦讀取的低端程序指令，而非人類撰寫如C 之類的高端語言著手。他們相信，低端的組合指令比高端程序語言更容易找到改善空間，電腦存儲和運算在這個層次更為彈性，意味更容易有突破性的技術，以提升速度或降低能耗。他們希望能由AlphaDev找到新的資料排序及散列算法，因為這是今天人們資料排序、存儲及檢索的二個最基本流程。排序算法能影響數字設備處理和顯示資訊，從搜索或社群網站博文排序、或用戶推薦等。
作為AlphaZero的變種，AlphaDev也是增強學習（reinforcement learning）模型。為了訓練AlphaDev尋找新算法，研究人員將排序變成一人玩家的「組合遊戲」。每回合AlphaDev都觀察它產生的算法及由CPU取得的資訊，然後再選取一個指令加入算法再展開下回合。AlphaDev必需要從非常多的指令組合中找出排序算法，每回合再找出更快、更好的算法。而指令組合數量，大概等同於宇宙的分子數量，或是西洋棋（10的120次方）與圍棋（10的700次方）棋步。而走錯任何一步，整個算法可能就沒用了。研究人員會從兩方面來獎賞AlphaDev的排序，一是正確性，二是效率、速度。
最後AlphaDev發現到新的算法，可改善低端虛擬機（LLVM）libc 排序函數庫的速度，在較短（3到5 element）串行可提升70%，而在超過25萬個element的長串行則提升1.7%。短串行的算法是DeepMind研究重點，因為更為常用。DeepMind指出，在簡單的用戶搜索任務上，AlphaDev算法可提升排序速度，但一旦應用到更大規模環境，例如數據中心，將能大量節能及省下成本。
尋找散列算法也是AlphaDev的任務之一。散列常用於資料存儲和檢索，如資料庫中。AlphaDev找到的算法應用在數據中心內9到16 byte的散列函數時，可提升30%的效率。
自從發布用於LLVM標準C 函數庫的排序算法來取代用了十多年的副程序（sub-routines），及發布用於abseil函數庫的散列算法，已有數百萬次下載，這些算法已用於各種產業，包括雲計算、線上購物和供應鏈管理。
DeepMind預期，一如其算法從下棋開始跨到數據中心運算，未來有更多通用型AI模型會進一步用於現代生活。
