DeepMind · 训练
DeepMind 发布 AlphaDev 发现更快的排序算法
DeepMind 新成果 AlphaDev 通过强化学习自动发现比人类专家手写更快的排序算法。该算法不仅突破了传统排序方法在指令级优化的极限，还能反向迁移到 LLVM 编译器库中，使排序性能提升最高 70%。AlphaDev 展示了 AI 在底层计算基础优化上的潜力，直接改写数十年未变的排序实现。
- 域名
deepmind.google- 评分
- 5 · 重大发布
- 发布
- 2026-03-18
导读
Google DeepMind 在 Nature 论文中公布 AlphaDev，一个基于强化学习的算法发现系统，在经典排序算法上取得突破性进展。研究团队把 AlphaZero 的强化学习框架从棋类迁移到底层代码优化，将排序问题改写为单人 assembly game：模型每一步观察 CPU 状态与已生成代码，选择下一条汇编指令加入算法，最终通过正确性与延迟双指标获得奖励。搜索空间巨大，可能的指令组合数量与宇宙粒子或国际象棋走法相当，单一错误指令即可让整段算法失效。
AlphaDev 直接在汇编指令层面搜索，跳过高级语言的抽象限制，最终发现的新算法对 LLVM libc++ 排序库带来实质改进：对短序列加速最高 70%、对超过 25 万元素的序列加速约 1.7%。3 到 5 个元素的排序原语是大型排序函数的内层基础，改进它意味着对任意规模的排序整体提速。团队将汇编结果反向翻译回 C++，提交合入 LLVM libc++ 标准排序库，这是该库十多年以来的首次此类改动，也是首个由强化学习设计的算法被纳入。
AlphaDev 的发现并非纯粹的局部优化。研究人员命名了 swap and copy moves，这是一种看似多走一步实则跳过冗余的反直觉技巧，让人联想到 AlphaGo 第 37 手。同样的方法迁移到哈希算法，对 9 至 16 字节区间的哈希函数加速 30%，成果已合入开源 Abseil 库，每日被调用上万亿次。AlphaDev 因此被视为一种通用代码优化路径的早期形态，DeepMind 后续在探索把搜索从汇编层抬升到 C++ 高级语言层，让发现成果对开发者更直接可用。