Découvrez AlphaEvolve, l'IA de Google qui écrit son propre code et vient d'économiser des millions en coûts informatiques

Google DeepMind a levé aujourd'hui le voile sur AlphaEvolve , un agent d'intelligence artificielle capable d'inventer de tout nouveaux algorithmes informatiques, puis de les mettre directement en œuvre au sein du vaste empire informatique de l'entreprise.

AlphaEvolve associe les grands modèles de langage Gemini de Google à une approche évolutive qui teste, affine et améliore automatiquement les algorithmes. Le système a déjà été déployé dans les centres de données, les puces et les systèmes d'entraînement de Google, améliorant ainsi l'efficacité et résolvant des problèmes mathématiques qui perturbent les chercheurs depuis des décennies.

« AlphaEvolve est un agent de codage IA basé sur Gemini, capable de réaliser de nouvelles découvertes en informatique et en mathématiques », a expliqué Matej Balog, chercheur chez Google DeepMind, dans une interview accordée à VentureBeat. « Il peut découvrir des algorithmes d'une complexité remarquable, couvrant des centaines de lignes de code et dotés de structures logiques sophistiquées qui vont bien au-delà de simples fonctions. »

Ce système élargit considérablement les travaux antérieurs de Google avec FunSearch en faisant évoluer des bases de code entières plutôt que des fonctions isolées. Il représente une avancée majeure dans la capacité de l'IA à développer des algorithmes sophistiqués pour relever les défis scientifiques et les problèmes informatiques du quotidien.

AlphaEvolve est à l'œuvre discrètement chez Google depuis plus d'un an. Les résultats sont déjà significatifs.

Un algorithme découvert alimente Borg , le système de gestion de clusters massifs de Google. Cette heuristique de planification récupère en moyenne 0,7 % des ressources informatiques mondiales de Google en continu, ce qui représente un gain d'efficacité considérable à l'échelle de Google.

Cette découverte cible directement les « ressources bloquées » : les machines qui sont à court d'un type de ressource (comme la mémoire) tout en disposant encore d'autres ressources (comme le processeur). La solution d'AlphaEvolve est particulièrement précieuse car elle produit un code simple et lisible par l'homme, que les ingénieurs peuvent facilement interpréter, déboguer et déployer.

L'agent d'IA ne s'est pas limité aux centres de données. Il a réécrit une partie de la conception matérielle de Google, trouvant un moyen d'éliminer les bits inutiles dans un circuit arithmétique crucial pour les unités de traitement tensorielles (TPU). Les concepteurs des TPU ont validé la correction de ce changement, qui est désormais intégré à une future conception de puce.

Le plus impressionnant est peut-être l'amélioration des systèmes qui l'alimentent. AlphaEvolve a optimisé un noyau de multiplication matricielle utilisé pour entraîner les modèles Gemini , obtenant une accélération de 23 % pour cette opération et réduisant le temps d'entraînement global de 1 %. Pour les systèmes d'IA qui s'entraînent sur des grilles de calcul massives, ce gain d'efficacité se traduit par des économies substantielles d'énergie et de ressources.

« Nous essayons d'identifier les éléments critiques qui peuvent être accélérés et avoir le plus d'impact possible », a déclaré Alexander Novikov, autre chercheur de DeepMind, dans une interview accordée à VentureBeat. « Nous avons pu optimiser le temps d'exécution pratique [d'un noyau vital] de 23 %, ce qui s'est traduit par une économie de 1 % sur l'ensemble de la carte d'entraînement Gemini. »

AlphaEvolve résout les problèmes mathématiques qui ont déconcerté les experts humains pendant des décennies tout en faisant progresser les systèmes existants.

Le système a conçu une nouvelle procédure d'optimisation basée sur le gradient qui a permis de découvrir plusieurs nouveaux algorithmes de multiplication de matrices. L'une d'elles a battu un record mathématique établi depuis 56 ans.

« À notre grande surprise, pour être honnête, nous avons constaté qu'AlphaEvolve , bien qu'étant une technologie plus générale, obtenait des résultats encore meilleurs qu'AlphaTensor », a déclaré Balog, faisant référence au précédent système spécialisé de multiplication matricielle de DeepMind. « Pour ces matrices quatre fois quatre, AlphaEvolve a trouvé un algorithme qui surpasse pour la première fois celui de Strassen de 1969 dans ce contexte. »

Cette avancée permet de multiplier deux matrices complexes 4×4 en utilisant 48 multiplications scalaires au lieu de 49 – une découverte qui avait échappé aux mathématiciens depuis les travaux marquants de Volker Strassen. Selon l'article de recherche, AlphaEvolve « améliore l'état de l'art pour 14 algorithmes de multiplication matricielle ».

La portée mathématique du système s'étend bien au-delà de la multiplication matricielle. Testé sur plus de 50 problèmes ouverts en analyse mathématique, géométrie, combinatoire et théorie des nombres, AlphaEvolve a égalé les solutions les plus avancées dans environ 75 % des cas. Dans environ 20 % des cas, il a amélioré les meilleures solutions connues.

Une victoire a été remportée dans le « problème du nombre qui s'embrasse », un défi géométrique vieux de plusieurs siècles visant à déterminer combien de sphères unitaires non chevauchantes peuvent toucher simultanément une sphère centrale. En 11 dimensions, AlphaEvolve a trouvé une configuration de 593 sphères, battant ainsi le précédent record de 592.

Ce qui différencie AlphaEvolve des autres systèmes de codage d’IA, c’est son approche évolutive.

Le système déploie Gemini Flash (pour la rapidité) et Gemini Pro (pour la profondeur) afin de proposer des modifications au code existant. Ces modifications sont testées par des évaluateurs automatisés qui notent chaque variation. Les algorithmes les plus performants guident ensuite la prochaine étape d'évolution.

AlphaEvolve ne se contente pas de générer du code à partir de ses données d'entraînement. Il explore activement l'espace de solutions, découvre de nouvelles approches et les affine grâce à un processus d'évaluation automatisé, créant ainsi des solutions que l'homme n'aurait peut-être jamais imaginées.

« Un point essentiel de notre approche est de nous concentrer sur les problèmes avec des évaluateurs clairs. Pour toute solution ou tout code proposé, nous pouvons automatiquement vérifier sa validité et mesurer sa qualité », explique Novikov. « Cela nous permet d'établir des boucles de rétroaction rapides et fiables pour améliorer le système. »

Cette approche est particulièrement précieuse car le système peut travailler sur n’importe quel problème avec une mesure d’évaluation claire — qu’il s’agisse de l’efficacité énergétique dans un centre de données ou de l’élégance d’une preuve mathématique.

Bien qu'actuellement déployé au sein de l'infrastructure et de la recherche mathématique de Google, le potentiel d'AlphaEvolve est bien plus vaste. Google DeepMind envisage des applications dans les sciences des matériaux, la découverte de médicaments et d'autres domaines nécessitant des solutions algorithmiques complexes.

« La meilleure collaboration homme-IA peut aider à résoudre les défis scientifiques ouverts et également à les appliquer à l'échelle de Google », a déclaré Novikov, soulignant le potentiel collaboratif du système.

Google DeepMind développe actuellement une interface utilisateur avec son équipe People + AI Research et prévoit de lancer un programme d'accès anticipé pour certains chercheurs universitaires. L'entreprise étudie également une plus large disponibilité.

La flexibilité du système constitue un avantage considérable. Balog a souligné : « Du moins, lorsque je travaillais dans la recherche en apprentissage automatique, je n'avais jamais constaté qu'il était possible de créer un outil scientifique et d'en constater immédiatement l'impact concret à cette échelle. C'est assez inhabituel. »

À mesure que les grands modèles linguistiques progressent, les capacités d'AlphaEvolve se développeront également. Le système témoigne d'une évolution fascinante de l'IA elle-même : depuis les serveurs de Google, en passant par l'optimisation du matériel et des logiciels qui lui donnent vie, et maintenant par sa capacité à résoudre des problèmes qui ont mis l'intelligence humaine au défi depuis des décennies, voire des siècles.