MuZero、AlphaZero 和 AlphaDev 如何帮助优化为我们的设备世界提供动力的整个计算生态系统
人工智能 (AI) 算法每天都变得越来越复杂，每种算法都旨在以最佳方式解决问题。作为我们构建功能日益强大和通用的人工智能系统的努力的一部分，我们正在努力创建对世界有广泛了解的人工智能工具，以便可以在许多不同类型的任务之间转移有用的知识。
基于强化学习，我们的 AI 模型 AlphaZero 和 MuZero 取得了超人的表现，赢得了比赛。现在，他们正在扩展其能力，以帮助优化数据中心和视频压缩 - 最近，我们的 AlphaZero 专用版本（称为 AlphaDev）发现了新的算法，这些算法已经在我们数字社会的基础上加速了软件的速度。
虽然这些工具正在整个计算生态系统中实现效率飞跃，但早期结果显示了更通用的人工智能工具的变革潜力。在这里，我们将解释这些进步如何塑造计算的未来，并如何帮助数十亿人和地球。
优化数据中心资源
数据中心管理从提供搜索结果到处理数据集的一切。Borg 管理着 Google 数十亿个任务，分配这些工作负载就像玩多维俄罗斯方块游戏。该系统有助于优化内部基础设施服务、面向用户的产品（例如 Google Workspace 和搜索）的任务，并管理批处理。
Borg 使用手动编码的规则来调度任务来管理此工作负载。在 Google 规模上，这些手动编码的规则无法考虑不断变化的工作负载分布，因此它们被设计为“一刀切”。这就是 AlphaZero 等机器学习技术特别有用的地方：这些算法能够自动创建单独的最佳定制规则，这些规则对于各种工作负载分配更加有效。
在培训期间，AlphaZero 学会了识别进入数据中心的任务模式，还学会了预测管理容量的最佳方法并做出具有最佳长期结果的决策。
当我们将 AlphaZero 应用于 Borg 时，生产中的实验表明，这种方法可以将未充分利用的硬件数量减少多达 19%，从而优化 Google 数据中心的资源利用率。
视频压缩的后续步骤
视频流占互联网流量的大部分，消耗大量数据。因此，在这个过程中找到效率，无论大小，都会对每天观看视频的数百万人产生巨大影响。
去年，我们与 YouTube 合作，应用 MuZero 的解决问题能力来帮助压缩和传输视频。通过在不影响视觉质量的情况下将比特率降低 4%，MuZero 增强了 YouTube 的整体体验。
我们最初应用 MuZero 来优化视频中每个单独帧的压缩。现在，我们扩展了这项工作，以决定编码过程中如何对帧进行分组和引用，从而节省更多比特率。
前两个步骤的早期结果显示了 MuZero 成为更通用工具的巨大潜力，有助于在整个视频压缩过程中找到最佳解决方案。
发现更快的算法
最近，AlphaDev（AlphaZero 的一个版本）在计算机科学领域取得了新的突破，发现了更快的排序和哈希算法——这两个基本过程每天使用数万亿次来排序、存储和检索数据。
排序算法影响所有数字设备处理和显示信息的方式，从排名在线搜索结果和社交帖子到用户推荐。AlphaDev 发现了一种算法，与 C++ 库中的算法相比，对短元素序列的排序效率提高了 70%，对超过 250,000 个元素的序列排序效率提高了约 1.7%。因此，当用户提交搜索查询时，AlphaDev 的算法可以帮助更快地对结果进行排序。大规模使用时，可以节省大量时间和能源。
AlphaDev 还发现了一种更快的散列信息算法，该算法通常用于数据存储和检索，例如在客户数据库中。哈希算法通常使用密钥（例如用户名“Jane Doe”）来生成唯一的哈希值，该哈希值对应于需要检索的数据值（例如“订单号164335-87”）。
就像图书管理员使用分类系统快速查找特定书籍一样，通过哈希系统，计算机已经知道它在寻找什么以及在哪里可以找到它。当应用于数据中心的9-16字节范围的哈希函数时，AlphaDev的算法将效率提高了30%。
自从发布LLVM 标准 C++ 库中的排序算法（用 RL 生成的子例程替换十多年来使用的子例程）以及 Abseil 库中的哈希算法以来，数百万开发人员和公司现在正在跨领域使用这些算法。云计算、在线购物、供应链管理等行业。
为我们的数字未来提供动力的通用工具
从玩游戏到解决每个设备核心的复杂工程问题，我们的人工智能工具正在节省数十亿人的时间和精力。而这仅仅是开始。
我们设想未来更多通用人工智能工具可以帮助优化为数字世界提供动力的整个计算生态系统。但为了支持这些工具，我们需要更快、更高效、更可持续的数字基础设施。
要实现完全通用的人工智能工具，还需要更多的理论和技术突破。通用人工智能工具的变革潜力以及如何将其应用于技术、科学和医学领域的各种挑战。我们对即将发生的事情感到兴奋。
