Google DeepMind kertoi 7. toukokuuta, että AlphaEvolve on siirtynyt pilotista Googlen ydintuotantoon. Gemini-pohjainen koodausagentti suunnittelee piirejä, optimoi tietokantoja ja parantaa DNA-sekvensointia — kaikki samalla rungolla, joka vuosi sitten oli vielä tutkimusprojekti.
DeepMindin blogin mukaan AlphaEvolve on tuottanut taloudellisia ja tieteellisiä tuloksia kymmenillä toimialoilla. Tulokset ulottuvat materiaalitieteestä logistiikkaan, kvanttipiirien suunnittelusta matemaattisten perusongelmien ratkaisuun.
Piirisuunnittelusta Spanneriin: ydintuotannossa
Google ottaa AlphaEvolven käyttöön seuraavan sukupolven TPU-piirien suunnittelussa. Jeff Deanin mukaan agentti ehdotti piiritopologiaa, joka oli sekä epäintuitiivinen että tehokas. Topologia päätyi suoraan piikiveen seuraavan sukupolven TPU:hun.
Tietokantapuolella Spanner sai uudet LSM-puun pakkausheuristiikat. Muutos pienensi write amplification -suhdetta 20 prosentilla. Lisäksi kääntäjäoptimointien strategiat pienensivät ohjelmistojen tallennuskuormaa lähes 9 prosentilla.
Cache-replacement-politiikkojen kohdalla AlphaEvolve teki kahdessa päivässä työn, joka vaati aiemmin kuukausien insinööriponnistuksen. Koko ketju mallista piiriin osoittaa, että agentin tuottamat algoritmit kestävät myös tuotantotason kuormituksen.
Tieteellisiä keksintöjä matematiikasta kvanttilaskentaan
Google DeepMind raportoi AlphaEvolven vauhdittaneen useita tieteellisiä keksintöjä. Kvanttipiireissä agentti löysi optimointeja, jotka pienensivät virhetasoa kymmenkertaisesti aiempiin perinteisesti hiottuihin perustasoihin verrattuna. Tulokset näkyivät välittömästi Googlen Willow-kvanttiprosessorin kokeissa.
Genetiikassa AlphaEvolvea käytettiin Google Researchin DeepConsensus-mallin parantamiseen. Tulos oli 30 prosentin vähennys varianttihavaintojen virheissä. PacBion mukaan tarkkuusparannus auttaa tutkijoita löytämään aiemmin piilossa olleita tautimutaatioita.
Sähköverkkojen optimoinnissa AC Optimal Power Flow -ongelman ratkaisukyky parani 14 prosentista yli 88 prosenttiin. Maantieteellisen riskinhallinnan ennusteet luonnonkatastrofeille tarkentuivat keskimäärin 5 prosentilla 20 eri riskikategorian yli.
Erdősin ongelmat ja kauppamatkustaja
AlphaEvolve on tehnyt yhteistyötä matematiikan tutkijoiden, kuten UCLA:n Terence Taon, kanssa. Yhdessä on ratkaistu Erdősin ongelmia ja parannettu klassisia matemaattisia rajoja.
Kauppamatkustajan ongelmassa ja Ramsey-luvuissa agentti rikkoi alarajoja. Tao kuvaa AlphaEvolvea työkaluksi, joka antaa matemaatikoille uusia kykyjä testata epäyhtälöitä vasten ja vahvistaa intuition kautta löydettyjä ratkaisuja.
Tulokset eivät rajoitu puhtaaseen matematiikkaan. Sama runko on edistänyt kryptografiaa käyttäjien yksityisyydelle, neuroverkkojen rakennusosia, synteettistä datageneraatiota ja edistyneiden mallien turvallisuusrajoituksia.
Ensimmäiset kaupalliset asiakkaat
Google Cloud on tuonut AlphaEvolven valikoiduille asiakkaille. Klarna käytti agenttia yhden suurimmista transformer-malleistaan optimointiin. Lopputulos kaksinkertaisti koulutusnopeuden ja paransi laatua samanaikaisesti.
Logistiikkayhtiö FM Logistic löysi 10,4 prosentin parannuksen reititykseen aiempaa raskaasti optimoitua ratkaisua vasten. Säästö vastaa yli 15 000 ajokilometriä vuodessa. Substrate puolestaan kiihdytti puolijohteiden litografiasimulaatioita useita kertaluokkia.
Schrödinger raportoi noin nelinkertaisen nopeutuksen koneoppimispohjaisten voimakenttien koulutuksessa ja inferenssissä. Yhtiön mukaan vaikutus näkyy lääkekehityksen, katalyyttisuunnittelun ja materiaalitieteen tutkimussykleissä.
Yhteenveto
AlphaEvolve on muuttunut tutkimusprojektista Googlen sisäisen ja ulkoisen tuotannon työkaluksi. Sama agenttirunko ratkoo TPU-piirien suunnittelua, parantaa DNA-konsensusta ja tuottaa uusia matemaattisia rajoja.
Trendi vahvistaa kuvaa siitä, että koodausagenttien seuraava kierros tuottaa konkreettisia tieteellisiä ja taloudellisia tuloksia. Itseään optimoivat algoritmit alkavat rakentaa seuraavan sukupolven infrastruktuuria.