Google DeepMind predstavio je AlphaEvolve, AI agenta sposoban za izumivanje potpuno novih računalnih algoritama i njihovo odmah implementiranje unutar opsežne Googleove računalne infrastrukture. AlphaEvolve integriše Googleove velike jezičke modele Gemini s evolucijskom metodom koja automatski testira, usavrđava i poboljšava algoritme. Već povećava efikasnost širom Googleovih data centara, dizajna čipova i sistema za treniranje AI-a, rješavajući matematičke probleme koji nisu bili riješeni desetljećima. AlphaEvolve, kojeg je istraživač DeepMinda Matej Balog opisao kao AI koderskog agenta vođenog Gemini modelima, može stvoriti vrlo složene algoritme široke desetine stotina linija s naprednim logičkim strukturama iznad jednostavnih funkcija. Za razliku od ranijih radova s FunSearch-om, koji su evolvirali pojedinačne funkcije, AlphaEvolve evolvira cijele kodne baze, što predstavlja veliki napredak u razvoju sofisticiranih algoritama za naučne i praktične računalne izazove. Sistem je već više od godine tiho radio unutar Googlea, donoseći zapažene rezultate. Jedan algoritam koji je otkrio AlphaEvolve poboljšava Borg, Googleov veliki sistem za upravljanje klasterima, vraćajući u prosjeku 0, 7% globalnih računalnih resursa rješavajući problem “zarobljenih resursa” — računara ograničenih jednim tipom resursa dok su u drugim neiskorišteni. Zanimljivo, AI proizvodi jednostavan, čitljiv kod koji inženjeri lako mogu debug-ovati i implementirati. Pored data centara, AlphaEvolve je poboljšao Googleov dizajn hardvera pojednostavljujući ključni aritmetički sklop za Tensor Processing Units (TPUs). Nakon validacije od strane TPU dizajnera, ovo poboljšanje će biti uključeno u buduće dizajne čipova. Također, AlphaEvolve je optimizirao vlastite temeljne sustave poboljšavajući kernel za množenje matrica korišten u treniranju Gemini modela, postigavši 23% ubrzanja za tu operaciju i smanjenje ukupnog vremena treniranja za 1%. Takve efikasnosti donose značajne uštede energije i resursa kod velikih AI treninga. U područjima matematičkih inovacija, AlphaEvolve je dizajnirao novu metodu usavršavanja zasnovanu na gradijentima koja je proizvela više novih algoritama za množenje matrica, nadmašivši rekord koji je stajao 56 godina. Konkretno, pronašao je algoritam za množenje dviju 4×4 matrica složenosti s kompleksnim brojevima koristeći 48 skalarnih množenja umjesto Strassenovih 49 — što je postignuće koje je matematičarima izbjegavalo od 1969. godine.

Ovo je unaprijedilo stanje umjetnosti za 14 algoritama za množenje matrica. Matematička moć AlphaEvolve proširila se i na probleme izvan matrica. Testiran na preko 50 otvorenih problema iz matematičke analize, geometrije, kombinatorike i teorije brojeva, uspio je pronaći rješenja približno 75% vremena, a u otprilike 20% slučajeva ih je i nadmašio. Na primjer, srušio je višestoljetni geometrijski rekord u “problemu zvanju broja” pronalazeći konfiguraciju od 593 nelijepe kugle promjera 1 koje dodiruju središnju kuglu u 11 dimenzija, nadmašivši prethodni rekord od 592. Srce AlphaEvolveovog inovacijskog procesa je njegov evolucijski pristup kombiniran s Gemini jezičkim modelima. Koristi Gemini Flash za brzo predlaganje i izmjenu koda, dok Gemini Pro služi za dubinsko istraživanje. Nakon toga, najuspješniji algoritmi vode nove cikluse evolucije. Ovaj proces ne oslanja se samo na trening podatke, već aktivno istražuje nova rješenja, usavršavajući ih putem automatiziranih povratnih informacija temeljenih na jasnim procjenjivačima valjanosti i kvaliteta. Ova metoda omogućava AlphaEvolveu da se bavi bilo kojim problemom s mjerljivom metodom procjene—bilo da je riječ o optimizaciji potrošnje energije u data centrima ili poboljšanju matematičkih dokaza. U budućnosti, Google DeepMind planira primjene u oblastima poput materijalnih nauka, otkrića lijekova i ostalih složenih područja koja ovise o algoritmima. Tim razvija korisničko sučelje u suradnji s People + AI Research grupom i planira Pokretni program ranog pristupa za odabrane akademske istraživače, s mogućnošću proširenja na širu javnost. AlphaEvolve predstavlja rijetko naučno oruđe koje istovremeno ostvaruje značajan utjecaj u stvarnom svijetu na velikoj skali. Kako se modeli velikog jezika i dalje razvijaju, predviđa se da će i mogućnosti AlphaEvolvea rasti u skladu s njima. Sistem je primjer evolucije AI-a: počinje u Googleovoj digitalnoj infrastrukturi, optimizira samu hardversku i softversku podlogu, a sada rješava dugo otvorena humanistička i naučna izazove, težeći napretku u nauci i tehnologiji.