Inilabas ng Google DeepMind ang AlphaEvolve, isang AI agent na kayang makabuo ng ganap na bagong mga algoritmong pangkompyuter at agad na mailapat ang mga ito sa malawak na imprastruktura ng komputing ng Google. Pinagsasama ng AlphaEvolve ang malaking modelong pangwika ng Gemini ng Google sa isang ebolusyonaryong paraan na awtomatikong sumusubok, nagsusuma, at nagpapahusay sa mga algoritmo. Kasalukuyan itong nagpapataas na ng kahusayan sa buong mga data center, disenyo ng chip, at mga sistema ng AI training ng Google, nilalabanan ang mga problemang matematikal na hindi nalutas nang ilang dekada. Ang AlphaEvolve, na inilalarawan ng researcher ng DeepMind na si Matej Balog bilang isang Gemini-powered AI coding agent, ay makakalikha ng mga napaka-komplikadong algoritmo na umaabot sa daang linya at may mga advanced na lohikal na estruktura na lampas sa simpleng mga function. Hindi tulad ng naunang gawaing FunSearch na nag-e-evolve lamang ng iisang function, ang AlphaEvolve ay nagpapalawak ng buong codebase, na nagdadala ng malaking hakbang pasulong sa pagbuo ng mas sopistikadong mga algoritmo para sa mga siyentipiko at praktikal na hamon sa computing. Matagal nang tahimik na gumagana ang sistema sa loob ng Google ng mahigit isang taon, at nagbunga ito ng mga kapansin-pansing resulta. Isang algoritmo na natuklasan ng AlphaEvolve ay nagpapahusay sa Borg, ang malaking system ng Google para sa pamamahala ng mga cluster, na nakakatipid ng average na 0. 7% ng buong rekurso sa komputasyon sa buong mundo sa pamamagitan ng pagtugon sa tinatawag na “stranded resources”—mga makina na limitado ang isang uri ng rekurso pero nakalatag ang iba sa walang silbi. Kamangha-mangha, ang AI ay nakakagawa ng simple at madaling maintindihang code na madaling i-debug at i-deploy ng mga inhinyero. Higit pa sa mga data center, pinahusay din ni AlphaEvolve ang disenyo ng hardware ng Google sa pamamagitan ng pagpapasimple sa isang kritikal na arithmetic circuit para sa Tensor Processing Units (TPUs). Matapos itong mapatunayan ng mga disenyo ng TPU, ilalabas ang pagpapabuting ito sa mga susunod na disenyo ng chip. Bukod dito, pina-improve pa nito ang sariling pangunahing sistema sa pamamagitan ng pag-optimize sa isang matrix multiplication kernel na ginagamit sa pagsasanay ng Gemini models, na nagresulta sa 23% pagbilis sa operasyong ito at 1% pagbawas sa kabuuang oras ng pagsasanay. Ang mga ganitong pagtaas sa kahusayan ay nagdudulot ng malaking pagtitipid sa enerhiya at rekurso sa malakihang training ng AI. Sa larangan ng inobasyong matematikal, nakabuo ang AlphaEvolve ng isang bagong gradient-based na proseso ng optimisasyon na nakapagbigay ng ilang bagong algoritmo para sa matrix multiplication na lagpas pa sa isang rekord na hawak ng 56 taon. Partikular, nakahanap ito ng isang algoritmo para sa pag-multiply ng dalawang 4×4 na complex-valued matrices gamit ang 48 scalar multiplications imbes na 49 ni Strassen, isang Tagumpay na hindi nagawa ng mga mathematician mula noong 1969. Ang tagumpay na ito ay nagpasulong sa estado ng sining para sa 14 na algorithm sa matrix multiplication. Hindi lamang limitado ang kakayahan ng AlphaEvolve sa mga problemang matematikal.

Sinubukan ito sa mahigit 50 bukas na problema sa mathematical analysis, geometry, combinatorics, at number theory, at nakamit nito ang katumpakan ng mga solusyong nasa katamtamang antas ng pinakamaraming 75%, habang nakapagpapabuti pa sa kanila sa halos 20%. Halimbawa, nalampasan nito ang isang makasaysayang rekord sa geometric problem sa “kissing number problem” nang makabuo ng isang konfigurasiyon ng 593 na hindi nagkakaparehong mga non-overlapping unit spheres na nakadikit sa isang sentral na sphere sa 11 dimensyon, na nalagpasan ang dating rekord na 592. Ang pangunahing likha ng AlphaEvolve ay nakasalalay sa ebolusyonaryong pamamaraan nito na pinagsasama ang Gemini language models. Gamit ang Gemini Flash para sa bilis at Gemini Pro para sa lalim, nagmumungkahi at binabago nito ang code na mabilis namang sinusuri nang awtomatiko. Ang pinakamahusay na mga algoritmo ay nagsisilbing gabay sa mga susunod na yugto ng ebolusyon. Hindi ito umaasa lamang sa training data kundi aktibong naghahanap ng mga bago at nakatutulong na solusyon, na pinapahusay pa gamit ang mga automated feedback loops batay sa malinaw na mga tagapagbigay ng pagsusuri sa bisa at kalidad. Sa pamamagitan nito, nagkakaroon ang AlphaEvolve ng kakayahang harapin ang anumang problema na may sukat na nagsusukat ng bisa—mula sa pag-optimize ng enerhiya sa data centers hanggang sa pagpapahusay ng mga patunay sa matematikal na teorya. Sa hinaharap, nakikita ng Google DeepMind na ang mga aplikasyon nito ay maaaring umabot sa larangan ng material sciences, drug discovery, at iba pang komplikadong lugar na nakadepende sa algoritmong masalimuot. Kasalukuyan nilang binubuo ang isang user interface kasama ang People + AI Research group at may plano silang maglunsad ng Early Access Program para sa piling mga academic researchers, habang pinag-iisipan ang mas malawak na access sa mas marami pang gumagamit. Ang AlphaEvolve ay isang bihirang kasangkapang siyentipiko na kasabay na nagdudulot ng malaking epekto sa totoong mundo sa napakalaking sukat. Habang patuloy na umuunlad ang mga malalaking modelong pangwika, inaasahang lalawak din ang kakayahan ng AlphaEvolve. Ang sistema ay isang ehemplo ng ebolusyon ng AI: nagsisimula ito sa digital na imprastruktura ng Google, inaayos ang mismong hardware at software na sumusuporta dito, at ngayon ay tinutugunan na ang mga matagal nang problemang intelektuwal ng tao sa larangan ng siyensya at teknolohiya.