A Google bejelentette legújabb mesterséges intelligencia ügynökét, az AlphaEvolve-ot, amely forradalmasítja az algoritmusok tervezését és optimalizálását. Az új rendszer a Gemini nyelvi modellek kreativitását ötvözi automatizált kiértékelő mechanizmusokkal, így képes nemcsak kódot generálni, hanem annak minőségét is objektíven mérni és fejleszteni.
Az AlphaEvolve nem csupán egy egyszerű kódíró MI. Olyan evolúciós algoritmus keretrendszerben működik, amely folyamatosan értékeli és javítja a korábbi megoldásokat. Az ötleteket a gyors Gemini Flash és a mélyebb, elemzőbb Gemini Pro modellek hozzák létre, a kiválasztott kódokat pedig automatikus tesztek és pontszámok alapján értékeli és tárolja a rendszer.
A gyakorlatban az AlphaEvolve már most jelentős előrelépéseket hozott. A Google adatközpontjaiban egy új ütemezési heurisztikával közel 0,7 százalékkal javította a rendelkezésre álló erőforrások kihasználtságát – ami hatalmas megtakarítást jelent egy ilyen méretű infrastruktúránál. Emellett a chipek tervezésénél is szerepet kapott: egy Verilog-kódot optimalizált, amely egy új TPU generáció része lesz.
A gépi tanulásnál szintén látványos eredmények születtek. Az AlphaEvolve képes volt gyorsabbá tenni a mátrixszorzás kulcsfontosságú lépéseit, ezzel 1 százalékkal csökkentve a Gemini-modellek betanítási idejét, ami jelentős számítási költségmegtakarítást jelent. Külön figyelemre méltó, hogy az MI alacsony szintű GPU-utasításokat is optimalizálni tudott, például a Transformer modellekben használt FlashAttention kernel esetén 32,5 százalékos gyorsulást ért el.
Az AlphaEvolve képességei azonban nem állnak meg az informatika határainál. A rendszer máris áttöréseket ért el a matematikában: új algoritmusokat fedezett fel a mátrixszorzás területén, és megdöntötte az eddigi legjobb ismert eredményt a 4×4 komplex mátrixok szorzásához szükséges szorzások számában. Az MI által javasolt módszer Strassen 1969-es algoritmusánál is hatékonyabb.
A kutatók több mint 50 nyitott matematikai problémán is tesztelték a rendszert. Az esetek háromnegyedében újraalkotta az ismert legjobb megoldásokat, míg az esetek ötödében sikerült továbbfejlesztenie a korábbi állapotot. Kiemelkedő példaként említhető a híres kissing number probléma, ahol az AlphaEvolve új alsó korlátot talált 11 dimenzióban.
A Google célja, hogy a közeljövőben szélesebb kör számára is elérhetővé tegye az AlphaEvolve rendszert. Egy barátságos, kutatóknak szánt felhasználói felületen dolgoznak, és már elindult egy előregisztrációs program is akadémiai partnerek számára. Az AlphaEvolve jövője ígéretes. Mivel bármilyen problémára alkalmazható, amely algoritmikusan leírható és automatikusan ellenőrizhető, a lehetőségek szinte végtelenek – az anyagtudománytól kezdve a gyógyszerkutatáson át egészen a fenntarthatósági megoldásokig.
