Google DeepMind har afsløret AlphaEvolve, en AI-agent, der er i stand til at opfinde helt nye computeralgoritmer og straks implementere dem i Googles omfattende datainfrastruktur. AlphaEvolve integrerer Googles Gemini-store sprogmodeller med en evolutionær metode, der automatisk tester, forfiner og forbedrer algoritmer. Den øger allerede effektiviteten i Googles datacentre, chipdesign og AI-træningssystemer, og tackler matematiske problemer, der har været uløste i årtier. AlphaEvolve, beskrevet af DeepMind-forskeren Matej Balog som en Gemini-drevet AI-kodningsagent, kan skabe komplekse algoritmer på tværs af hundreder af linjer med avancerede logiske strukturer, der går ud over simple funktioner. I modsætning til tidligere arbejde med FunSearch, som udviklede enkeltfunktioner, udvikler AlphaEvolve hele kodebaser, hvilket markerer et stort skridt fremad i udviklingen af avancerede algoritmer til både videnskabelige og praktiske computing-udfordringer. Systemet har været i stille drift hos Google i over et år og har leveret bemærkelsesværdige resultater. En algoritme opdaget af AlphaEvolve forbedrer Borg, Googles omfattende klyngeadministrationssystem, og genvinder gennemsnitligt 0, 7% af de worldwide computing-ressourcer ved at adressere “stranded resources” — maskiner, der er begrænset af én ressource og inaktive i andre. Bemærkelsesværdigt producerer AI'en enkelt, menneskeligt læsbar kode, som ingeniører nemt kan debugge og deploye. Ud over datacentre har AlphaEvolve forbedret Googles hardwaredesign ved at forenkle et kritisk aritmetisk kredsløb til Tensor Processing Units (TPUs). Efter godkendelse fra TPU-designere vil denne forbedring blive anvendt i kommende chipdesigns. Endvidere har AlphaEvolve optimeret sine egne grundlæggende systemer ved at forbedre en matrixmultiplikationskerne, der bruges i træningen af Gemini-modeller. Det resulterede i en hastighedsforøgelse på 23% for denne operation og en reduktion af den samlede træningstid med 1%. Disse effektivitetsgevinster sparer betydelige energimængder og ressourcer ved storstilet AI-træning. Inden for matematisk innovation har AlphaEvolve udviklet en ny gradient-baseret optimeringsprocedure, der har skabt flere nye matrixmultiplikationsalgoritmer—og dermed overvundet en rekord, der havde stået i 56 år. Den fandt blandt andet en algoritme til multiplikation af to 4×4-matricer med komplekse tal, der bruger 48 multiplikationer i stedet for Strassens 49—en bedrift, der har undgået matematikere siden 1969.

Dette er forbedringer inden for den eksisterende avancerede viden om matrixmultiplikation. AlphaEvolves matematiske kunnen strækker sig ud over matrixproblemer. På mere end 50 åbne forskningsproblemer inden for matematisk analyse, geometri, kombinatorik og talteori har den matchet den førende løsning cirka 75% af tiden og forbedret den i omkring 20% af tilfældene. For eksempel brød den en århundredgammel geometri-rekord i “kissing number”-problemet ved at finde en konfiguration med 593 ikke-overlappende enhedssfærer, der rører en central sfære i 11 dimensioner, hvilket overvandt den tidligere rekord på 592. Kernen i AlphaEvolves innovation er dens evolutionære tilgang kombineret med Gemini-sprogmodeller. Den anvender Gemini Flash til hastighed og Gemini Pro til dybde i at foreslå og ændre kode, som derefter evalueres automatisk. De bedste algoritmer guider de næste udviklingscyklusser. Denne proces er ikke udelukkende afhængig af træningsdata, men aktivt søger efter nye løsninger, der finslejes gennem automatiserede feedback-loops baseret på klare vurderingskriterier for gyldighed og kvalitet. Denne metode gør det muligt for AlphaEvolve at tackle ethvert problem med en målbar evalueringsmetrik—uanset om det er at optimere energiforbrug i datacentre eller forbedre matematiske beviser. Fremover ser Google DeepMind potentiale i applikationer inden for materialeforskning, medicinudvikling og andre komplekse felter, der er afhængige af avancerede algoritmer. Teamet udvikler et brugerinterface sammen med People + AI Research-gruppen og planlægger et Early Access Program for udvalgte akademiske forskere, med bredere tilgængelighed under overvejelse. AlphaEvolve repræsenterer et sjældent videnskabeligt værktøj, der samtidig opnår betydelig praktisk indvirkning i stor skala. I takt med at store sprogmodeller fortsætter med at udvikle sig, forventes AlphaEvolves kapaciteter at vokse i takt. Systemet illustrerer AI’s evolution: det starter i Googles digitale infrastruktur, optimerer den hardware og software, der opretholder den, og adresserer nu langvarige menneskelige intellektuelle udfordringer inden for videnskab og teknologi.