Google DeepMind har avduket AlphaEvolve, en AI-agent som er i stand til å finne opp helt nye datamaskinalgoritmer og umiddelbart implementere dem i Googles omfattende datainfrastruktur. AlphaEvolve integrerer Googles Gemini-store språkmodeller med en evolusjonær metode som automatisk tester, finjusterer og forbedrer algoritmer. Den øker allerede effektiviteten i Googles datasentre, chipdesign og AI-treningssystemer, og takler matematiske problemer som har vært uløste i flere tiår. AlphaEvolve, beskrevet av DeepMind-forsker Matej Balog som en Gemini-drevet AI-kodingsagent, kan lage svært komplekse algoritmer som strekker seg over hundrevis av linjer med avanserte logiske strukturer, utover enkle funksjoner. I motsetning til tidligere arbeid med FunSearch, som utviklet enkeltfunksjoner, utvikler AlphaEvolve hele kodebaser, noe som markerer et stort fremskritt i utviklingen av sofistikerte algoritmer for både vitenskapelige og praktiske databehandlingsutfordringer. Systemet har vært i stille bruk hos Google i over et år, med merkbare resultater. En algoritme oppdaget av AlphaEvolve forbedrer Borg, Googles enorme klyngestyringssystem, ved å gjenopprette i gjennomsnitt 0, 7 % av de globale databehandlingsressursene ved å løse problemet med såkalte «strandede ressurser» — maskiner begrenset av én ressurs, men inaktive i andre. Det bemerkelsesverdige er at AI-en produserer enkel, menneske-lesbar kode som ingeniører lett kan feilsøke og implementere. Utover datasentre, forbedret AlphaEvolve Googles maskinvaredesign ved å forenkle en kritisk aritmetisk krets for Tensor Processing Units (TPUs). Etter verifisering fra TPU-designerne vil denne forbedringen bli integrert i kommende chip-design. I tillegg optimaliserte AlphaEvolve sine egne grunnleggende systemer ved å forbedre en matrise-multipliseringskjerne som brukes i trening av Gemini-modeller, og oppnådde en hastighetsøkning på 23 % for denne operasjonen, noe som reduserte den totale trenings tiden med 1 %. Slike effektiviseringsgevinster fører til betydelige energibesparelser og ressursreduksjoner ved stor-skala AI-trening. Innen matematisk innovasjon utviklet AlphaEvolve en ny gradientbasert optimaliseringsmetode som resulterte i flere nye algoritmer for matrise-multiplisering, og overgikk en rekord som hadde stått i 56 år. Den fant spesielt en algoritme for å multiplisere to 4×4 kompleksverdimatriser ved bruk av 48 skalarmultipliseringer i stedet for Strassens 49 — en prestasjon som matematikere har etterlyst siden 1969.

Dette forbedret den nåværende praksisen innen 14 forskjellige matrise-multipliseringsalgoritmer. AlphaEvolves matematiske ferdigheter strekker seg også utover matriseproblemer. Den ble testet på over 50 åpne problemer innen matematisk analyse, geometri, kombinatorikk og tallteori, hvor den løste omtrent 75 % av dem med løsninger på nivå med den nyeste forskningen, og forbedret dem i rundt 20 % av tilfellene. For eksempel brøt den en århundregammel geometrisk rekord i “kissing number-problemet” ved å finne en konfigurasjon av 593 ikke-overlappende enhetskuler som berører en sentral kule i 11 dimensjoner, og slo dermed den forrige rekorden på 592. Kjernen i AlphaEvolves innovasjon er dens evolusjonære tilnærming kombinert med Gemini-språkmodellene. Den bruker Gemini Flash for raskhet og Gemini Pro for dybde til å foreslå og endre kode, som deretter blir vurdert automatisk. De beste algoritmene leder neste runde av evolusjon. Denne prosessen er ikke avhengig av treningsdata alene, men aktivt utforsker nye løsninger, og forbedrer dem gjennom automatiserte feedback-loops basert på klare evalueringskriterier for validitet og kvalitet. Denne metodikken gjør det mulig for AlphaEvolve å takle alle problemer med målelige evalueringsmetoder — enten det er å optimalisere energibruk i datasentre eller forbedre matematiske bevis. Fremover ser Google DeepMind for seg anvendelser innen materialvitenskap, legemiddelforskning og andre komplekse felt som avhenger av avanserte algoritmer. Teamet utvikler et brukergrensesnitt sammen med People + AI Research-gruppen, og planlegger et Early Access-program for utvalgte akademiske forskere, med bredere tilgjengelighet under vurdering. AlphaEvolve representerer et sjeldent vitenskapelig verktøy som samtidig gir betydelig reell påvirkning i stor skala. Etter hvert som store språkmodeller fortsetter å utvikle seg, forventes også AlphaEvolves evner å vokse i takt. Systemet er et eksempel på AIs evolusjon: det begynner i Googles digitale infrastruktur, optimaliserer selve maskinvaren og programvaren som opprettholder den, og tar nå tak i langvarige menneskelige intellektuelle utfordringer innen vitenskap og teknologi.