A Google DeepMind bemutatta az AlphaEvolve nevű AI ügynököt, amely képes teljesen új számítógépes algoritmusokat kitalálni és azonnal alkalmazni a Google kiterjedt számítástechnikai infrastruktúráján belül. Az AlphaEvolve összehangolja a Google Gemini nagy nyelvi modelljeit egy evolúciós módszerrel, amely automatikusan teszteli, finomhangolja és fejleszti az algoritmusokat. Már most növeli a hatékonyságot Google adatközpontjaiban, chiptervezéseiben és AI-képzési rendszereiben, és olyan matematikai problémákat old meg, melyek megoldatlannak számítottak évtizedek óta. Az AlphaEvolve-t, amit a DeepMind kutatója, Balog Matej Gemini-alapú AI kódoló ügynökként mutatott be, képes nagyon összetett algoritmusokat létrehozni, amelyek több száz sorból állnak, és fejlett logikai szerkezetekkel rendelkeznek, túl a simple funkciókon. Ellentétben a korábbi FunSearch-feltevéssel, amely egyetlen funkciót fejlesztett, az AlphaEvolve egész kódbázisokat evolvál, mérföldkőként a komplex algoritmusok fejlesztésében tudományos és gyakorlati számítástechnikai kihívásokra. A rendszer már több mint egy éve csendben működik a Google-nél, és kiemelkedő eredményeket hozott. Az egyik algoritmus, amit az AlphaEvolve fedezett fel, javította a Borg rendszerét, Google hatalmas klaszterkezelő rendszerét, átlagosan 0, 7%-kal növelve a világszerte rendelkezésre álló számítási erőforrásokat azzal, hogy kezelte a „szigetelt erőforrásokat” — azokat a gépeket, amelyek egy erőforrás típusában korlátozottak, más erőforrásokat viszont kihasználatlanul hagytak. Ragyogó módon az AI egyszerű, emberi nyelven érthető kódot állít elő, amit mérnökök könnyen debugolhatnak és alkalmazhatnak. Az adatközpontokon túlmenően az AlphaEvolve javította Google hardvertervezését is, egyszerűsítve egy kritikus aritmetikai áramkört a Tensor Processing Units (TPU-k) számára. A TPU-tervezők jóváhagyásával ez a fejlesztés megjelenik majd a következő chip tervekben. Emellett az AlphaEvolve továbbfejlesztette alapvető rendszereit is, optimalizálva egy mátrixszorzó magot, amit a Gemini modellek tanításában használnak, ezzel 23%-os gyorsulást elérve a műveletben, és 1%-os csökkenést a teljes tanítási időben. Az ilyen hatékonyságnövekedés jelentős energiamegtakarítást és erőforrás-optimalizálást tesz lehetővé nagyszámítású AI tanítások során. Matematikai innováció terén az AlphaEvolve egy új, gradiens-alapú optimalizálási eljárást tervezett, amely több új mátrixszorzási algoritmust eredményezett, túlszárnyalva egy 56 éve tartó rekordot. Konkrétan megtalálta a módját, hogy két 4×4 komplex mátrixot 48 skalárszorzás felhasználásával szorozzon össze a Strassen-tól eltérően, amely 49 szorzást igényelt – ez a mérföldkő 1969 óta megoldatlan maradt a matematikusok számára.

Ez az eredmény a 14 létező mátrixszorzási algoritmus fejlesztésének élvonalát erősítette. Az AlphaEvolve matematikai tehetsége nemcsak mátrix problémákban mutatkozik meg. Több mint 50 nyitott feladaton tesztelve a matematikai elemzés, geometria, kombinatorika és számelmélet területein, az eredményei a színvonalas megoldások 75%-át hozták, és körülbelül 20%-ban jobb eredményeket ért el, mint a meglévő megoldások. Például évszázados geometriai rekordot döntött a „csók szám” problémában, ahol 593 nem átfedő egységbuborék helyezkedett el egy központi gömbön 11 dimenzióban, felülmúlva a korábbi 592-es rekordot. Az AlphaEvolve innovációjának központi eleme a evolúciós megközelítés, amelyet Gemini nyelvi modellekkel kombinál. A Gemini Flash-t a gyorsaságért, a Gemini Pro-t pedig a mélyebb elemzésekért használja az algoritmusok javaslatára és módosítására, amelyeket automatikusan értékel a rendszer. A legjobb eredményt elért algoritmusok irányítják a következő evolúciós ciklusokat. Ez a folyamat nem kizárólag a tanulási adatokra támaszkodik, hanem aktívan kutat új megoldásokat, automatikus visszacsatolási hurkok segítségével finomítva azokat a validitás és minőség mérői alapján. Ez a módszertan lehetővé teszi az AlphaEvolve számára, hogy bármilyen problémát megoldjon, amelynek van mérhető értékelési mutatója — legyen az az energiafelhasználás optimalizálása adatközpontokban vagy matematikai bizonyítások fejlesztése. A jövőben a Google DeepMind olyan alkalmazásokat tervez, amelyek túlmutatnak a számítástechnikán, például anyagtudományokban, gyógyszerkutatásban és más összetett algoritmusfüggő területeken. A csapat egy felhasználói felületet fejleszt a People + AI Research csoporttal együttműködve, és tervezi egy Kora hozzáférési program elindítását kiválasztott akadémikus kutatók számára, míg a szélesebb körű hozzáférés még mérlegelés alatt áll. Az AlphaEvolve kivételes tudományos eszköz, amely egyidejűleg nagy hatással van a valós életben, óriási léptékben. Ahogy a nagy nyelvi modellek tovább fejlődnek, várhatóan az AlphaEvolve képességei is növekedni fognak. A rendszer példázza az AI fejlődését: ez a folyamat a Google digitális infrastruktúrájában kezdődik, optimalizálva a hardware-t és szoftvert, amely fenntartja, és most hosszú távon megoldhatatlan emberi kihívásokat kezel a tudományban és technológiában.