Google DeepMind ujawnił AlphaEvolve, agenta AI zdolnego do wynajdywania zupełnie nowych algorytmów komputerowych i natychmiastowego wdrażania ich w rozbudowanej infrastrukturze obliczeniowej Google. AlphaEvolve integruje duże modele językowe Gemini od Google z metodą ewolucyjną, która automatycznie testuje, ulepsza i rozwija algorytmy. Już teraz zwiększa wydajność w centrach danych Google, projektowaniu układów scalonych oraz systemach szkolenia AI, rozwiązując zagadki matematyczne nierozwiązane od dziesięcioleci. AlphaEvolve, opisane przez badacza DeepMind Mateja Baloga jako agent kodowania AI napędzany Gemini, potrafi tworzyć bardzo skomplikowane algorytmy obejmujące setki linii kodu z zaawansowanymi strukturami logicznymi wykraczającymi poza proste funkcje. W przeciwieństwie do wcześniejszych prac z FunSearch, który ewoluował pojedyncze funkcje, AlphaEvolve ewoluuje całe bazy kodu, co stanowi dużą 혁wację w rozwoju zaawansowanych algorytmów do celów naukowych i praktycznych obliczeń. System działał w Google od ponad roku w cieniu, przynosząc znaczące rezultaty. Jeden z algorytmów odkryty przez AlphaEvolve poprawia system Borg, zarządzający dużymi klastrami Google, odzyskując średnio 0, 7% zasobów obliczeniowych na świecie poprzez rozwiązanie problemu "zawieszonych zasobów" — maszyn ograniczonych jednym typem zasobów, ale bezczynnych w innych. Co niezwykłe, AI generuje prosty, czytelny dla człowieka kod, który inżynierowie mogą łatwo debugować i wdrażać. Poza centrami danych, AlphaEvolve poprawił projekt sprzętu Google, upraszczając kluczowy układ arytmetyczny dla jednostek przetwarzania tensorów (TPU). Po zatwierdzeniu przez projektantów TPU, to ulepszenie znajdzie się w przyszłych projektach chipów. Ponadto, AlphaEvolve zoptymalizował własne podstawowe systemy, usprawniając kernel mnożenia macierzy używany w treningu modeli Gemini, osiągając 23% przyspieszenia tej operacji i skracając ogólny czas treningu o 1%. Takie oszczędności energii i zasobów są kluczowe dla dużych projektów AI. W dziedzinie innowacji matematycznych AlphaEvolve opracował nowatorską metodę optymalizacji opartą na gradientach, która wyprodukowała kilka nowych algorytmów mnożenia macierzy, przewyższając rekord sprzed 56 lat. W szczególności, znalazł algorytm mnożenia dwóch macierzy 4×4 o wartościach zespolonych, potrzebując 48 iloczynów skalarowych zamiast 49, co było osiągnięciem nieosiągalnym dla matematyków od 1969 roku.

Ta innowacja poprawiła stan sztuki dla 14 algorytmów mnożenia macierzy. Matematyczna zdolność AlphaEvolve wykracza ponad problemy z macierzami. Testowano go na ponad 50 otwartych zagadkach z analizy matematycznej, geometrii, kombinatoryki i teorii liczb, gdzie w około 75% przypadków osiągał rozwiązania na poziomie najlepszych narzędzi, a w około 20% poprawiał je. Przykładowo, złamał wieloletni rekord geometrii w problemie liczby całowania, znajdując konfigurację 593 nie nakładających się sfer jednostkowych dotykających centralną sferę w 11 wymiarach, przebijając poprzedni rekord 592. Sedno innowacji AlphaEvolve to podejście ewolucyjne połączone z modelami językowymi Gemini. Używa Gemini Flash dla szybkości i Gemini Pro dla głębi, proponując i modyfikując kod, który jest następnie automatycznie oceniany. Najlepsze algorytmy kierują kolejnymi cyklami ewolucji. Proces ten nie opiera się wyłącznie na danych treningowych, ale aktywnie poszukuje nowych rozwiązań, udoskonalając je poprzez automatyczne pętle zwrotne oparte na jasnych kryteriach ważności i jakości. Ta metodologia pozwala AlphaEvolve stawiać czoła każdym problemom z mierzalną miarą oceny — czy to optymalizacja zużycia energii w centrach danych, czy dowodzenie twierdzeń matematycznych. W przyszłości Google DeepMind planuje rozszerzyć zastosowania na nauki materiałowe, odkrywanie leków i inne dziedziny oparte na skomplikowanych algorytmach. Zespół pracuje nad interfejsem użytkownika z grupą People + AI Research i rozważa program wczesnego dostępu dla wybranych naukowców, z szerszą dostępnością w planach. AlphaEvolve jest rzadkim narzędziem naukowym, które jednocześnie osiąga znaczący wpływ w realnym świecie na dużą skalę. W miarę rozwoju dużych modeli językowych, możliwości AlphaEvolve będą się zwiększać. System ten stanowi przykład ewolucji AI: zaczyna się w cyfrowej infrastrukturze Google, optymalizując samo hardware i oprogramowanie, które ją wspiera, a dziś podejmuje się również rozwiązywania od dawna trapiących naukowców wyzwań z dziedziny nauki i technologii.