Scopri AlphaEvolve, l'intelligenza artificiale di Google che scrive il proprio codice e ha appena fatto risparmiare milioni di dollari sui costi di elaborazione.

Google DeepMind ha svelato oggi AlphaEvolve , un agente di intelligenza artificiale in grado di inventare algoritmi informatici completamente nuovi, per poi metterli subito al lavoro all'interno del vasto impero informatico dell'azienda.

AlphaEvolve abbina i modelli linguistici di grandi dimensioni Gemini di Google a un approccio evolutivo che testa, affina e migliora automaticamente gli algoritmi. Il sistema è già stato implementato nei data center di Google, nei progetti di chip e nei sistemi di addestramento dell'intelligenza artificiale, aumentando l'efficienza e risolvendo problemi matematici che hanno messo in difficoltà i ricercatori per decenni.

"AlphaEvolve è un agente di programmazione AI basato su Gemini in grado di fare nuove scoperte in ambito informatico e matematico", ha spiegato Matej Balog, ricercatore presso Google DeepMind, in un'intervista a VentureBeat. "È in grado di scoprire algoritmi di notevole complessità, che si estendono su centinaia di righe di codice con strutture logiche sofisticate che vanno ben oltre le semplici funzioni".

Il sistema amplia notevolmente il precedente lavoro di Google con FunSearch , sviluppando intere basi di codice anziché singole funzioni. Rappresenta un importante passo avanti nella capacità dell'IA di sviluppare algoritmi sofisticati sia per le sfide scientifiche che per i problemi informatici quotidiani.

AlphaEvolve lavora silenziosamente all'interno di Google da oltre un anno. I risultati sono già significativi.

Un algoritmo scoperto è alla base di Borg , l'enorme sistema di gestione dei cluster di Google. Questa euristica di schedulazione recupera in media lo 0,7% delle risorse di elaborazione globali di Google in modo continuativo: un guadagno di efficienza sbalorditivo per le dimensioni di Google.

La scoperta è rivolta direttamente alle "risorse bloccate", ovvero macchine che hanno esaurito una risorsa (come la memoria) pur avendone ancora altre (come la CPU) disponibili. La soluzione di AlphaEvolve è particolarmente preziosa perché produce codice semplice e leggibile, che gli ingegneri possono facilmente interpretare, eseguire il debug e implementare.

L'agente di intelligenza artificiale non si è fermato ai data center. Ha riscritto parte del design hardware di Google, trovando un modo per eliminare bit non necessari in un circuito aritmetico cruciale per le unità di elaborazione tensoriale (TPU). I progettisti delle TPU hanno convalidato la correttezza della modifica, che ora è destinata a essere integrata in un futuro progetto di chip.

Forse l'aspetto più impressionante è che AlphaEvolve ha migliorato i sistemi stessi che lo alimentano. Ha ottimizzato un kernel di moltiplicazione di matrici utilizzato per addestrare i modelli Gemini , ottenendo un aumento di velocità del 23% per quell'operazione e riducendo i tempi di addestramento complessivi dell'1%. Per i sistemi di intelligenza artificiale che si addestrano su enormi griglie computazionali, questo aumento di efficienza si traduce in un notevole risparmio di energia e risorse.

"Cerchiamo di identificare i componenti critici che possono essere accelerati e avere il massimo impatto possibile", ha affermato Alexander Novikov, un altro ricercatore di DeepMind, in un'intervista a VentureBeat. "Siamo riusciti a ottimizzare i tempi di esecuzione pratica di [un kernel vitale] del 23%, il che si è tradotto in un risparmio complessivo dell'1% sull'intera scheda di addestramento Gemini".

AlphaEvolve risolve problemi matematici che hanno messo in difficoltà gli esperti umani per decenni, migliorando al contempo i sistemi esistenti.

Il sistema ha progettato una nuova procedura di ottimizzazione basata sul gradiente che ha scoperto diversi nuovi algoritmi di moltiplicazione di matrici. Una scoperta ha infranto un record matematico che resisteva da 56 anni.

"Quello che abbiamo scoperto, con nostra sorpresa, a dire il vero, è che AlphaEvolve , pur essendo una tecnologia più generale, ha ottenuto risultati persino migliori di AlphaTensor ", ha affermato Balog, riferendosi al precedente sistema specializzato di moltiplicazione di matrici di DeepMind. "Per queste matrici quattro per quattro, AlphaEvolve ha trovato un algoritmo che supera per la prima volta in quel contesto l'algoritmo di Strassen del 1969."

La svolta consente di moltiplicare due matrici 4×4 a valori complessi utilizzando 48 moltiplicazioni scalari invece di 49, una scoperta che era sfuggita ai matematici fin dai tempi del fondamentale lavoro di Volker Strassen. Secondo l'articolo di ricerca, AlphaEvolve "migliora lo stato dell'arte per 14 algoritmi di moltiplicazione di matrici".

La portata matematica del sistema si estende ben oltre la moltiplicazione di matrici. Testato su oltre 50 problemi aperti di analisi matematica, geometria, calcolo combinatorio e teoria dei numeri, AlphaEvolve ha eguagliato soluzioni all'avanguardia in circa il 75% dei casi. In circa il 20% dei casi, ha migliorato le soluzioni più note.

Una vittoria è arrivata nel "problema del numero baciato", una sfida geometrica secolare per determinare quante sfere unitarie non sovrapposte possano toccare simultaneamente una sfera centrale. In 11 dimensioni, AlphaEvolve ha trovato una configurazione con 593 sfere, superando il precedente record di 592.

Ciò che differenzia AlphaEvolve dagli altri sistemi di codifica dell'intelligenza artificiale è il suo approccio evolutivo.

Il sistema utilizza sia Gemini Flash (per la velocità) che Gemini Pro (per la profondità) per proporre modifiche al codice esistente. Queste modifiche vengono testate da valutatori automatici che assegnano un punteggio a ogni variante. Gli algoritmi più efficaci guidano quindi il ciclo di evoluzione successivo.

AlphaEvolve non si limita a generare codice dai suoi dati di training. Esplora attivamente lo spazio delle soluzioni, scopre nuovi approcci e li perfeziona attraverso un processo di valutazione automatizzato, creando soluzioni che gli esseri umani potrebbero non aver mai concepito.

"Un'idea fondamentale del nostro approccio è quella di concentrarci sui problemi con valutatori chiari. Per qualsiasi soluzione o porzione di codice proposta, possiamo verificarne automaticamente la validità e misurarne la qualità", ha spiegato Novikov. "Questo ci permette di stabilire cicli di feedback rapidi e affidabili per migliorare il sistema."

Questo approccio è particolarmente prezioso perché il sistema è in grado di risolvere qualsiasi problema con un parametro di valutazione chiaro, che si tratti dell'efficienza energetica di un data center o dell'eleganza di una dimostrazione matematica.

Sebbene attualmente implementato nell'infrastruttura e nella ricerca matematica di Google, il potenziale di AlphaEvolve si estende ben oltre. Google DeepMind prevede applicazioni nelle scienze dei materiali, nella scoperta di farmaci e in altri campi che richiedono soluzioni algoritmiche complesse.

"La migliore collaborazione tra uomo e intelligenza artificiale può aiutare a risolvere sfide scientifiche aperte e ad applicarle anche su scala Google", ha affermato Novikov, sottolineando il potenziale collaborativo del sistema.

Google DeepMind sta sviluppando un'interfaccia utente con il suo team di ricerca People + AI e prevede di lanciare un programma di accesso anticipato per ricercatori accademici selezionati. L'azienda sta anche valutando una più ampia diffusione.

La flessibilità del sistema rappresenta un vantaggio significativo. Balog ha osservato che "almeno in precedenza, quando lavoravo nella ricerca sull'apprendimento automatico, non mi era mai capitato di costruire uno strumento scientifico e di vedere immediatamente l'impatto nel mondo reale su questa scala. È piuttosto insolito".

Con l'avanzare dei modelli linguistici di grandi dimensioni, le capacità di AlphaEvolve cresceranno di pari passo. Il sistema dimostra un'evoluzione affascinante nell'intelligenza artificiale stessa: partendo dai confini digitali dei server di Google, ottimizzando l'hardware e il software che gli danno vita, e ora estendendosi all'esterno per risolvere problemi che hanno sfidato l'intelletto umano per decenni o secoli.