A Google bejelentette legújabb mesterséges intelligencia ügynökét, az AlphaEvolve-ot, amely a Gemini nyelvi modellek kreativitását ötvözi a kódgenerálás és optimalizálás területén. Az AlphaEvolve célja, hogy forradalmasítsa az algoritmusok tervezését, lehetővé téve a fejlesztők számára, hogy gyorsabban és hatékonyabban hozzanak létre komplex szoftvermegoldásokat. A Google szerint az új MI-ügynök nemcsak a programozók munkáját könnyíti meg, hanem a vállalati digitalizációt is felgyorsítja, miközben a kódminőség is javul. Ez a fejlesztés újabb lépés a teljesen automatizált szoftverfejlesztés felé, amely a következő évek egyik legfontosabb trendje lehet.
A Google legújabb mesterséges intelligencia fejlesztése, az AlphaEvolve, új szintre emeli az algoritmusok tervezését és optimalizálását. Az AlphaEvolve a Gemini nyelvi modellek kreativitását ötvözi automatizált kiértékelő mechanizmusokkal, így nemcsak kódot generál, hanem annak minőségét is objektíven méri és fejleszti. A rendszer evolúciós algoritmus keretrendszerben működik: folyamatosan értékeli és javítja a korábbi megoldásokat, a legjobb ötleteket pedig automatikus tesztek és pontszámok alapján választja ki.
A gyakorlatban az AlphaEvolve már most jelentős eredményeket ért el. A Google adatközpontjaiban egy új ütemezési heurisztikával közel 0,7%-kal javította a számítási erőforrások kihasználtságát, ami hatalmas megtakarítást jelent ekkora infrastruktúránál. A chipek tervezésében is szerepet kapott: egy Verilog-kód optimalizálásával járult hozzá az új TPU-generációhoz. A gépi tanulás területén az AlphaEvolve gyorsabbá tette a mátrixszorzás kulcsfontosságú lépéseit, ezzel 1%-kal csökkentve a Gemini-modellek betanítási idejét, és 32,5%-os gyorsulást ért el a FlashAttention kernel optimalizálásával.
Az AlphaEvolve nemcsak informatikai, hanem matematikai áttöréseket is hozott: új algoritmusokat fedezett fel a mátrixszorzásban, és megdöntötte a 4×4 komplex mátrixok szorzásához szükséges szorzások számában az eddigi legjobb eredményt. Több mint 50 nyitott matematikai problémán is tesztelték, az esetek háromnegyedében újraalkotta a legjobb ismert megoldásokat, ötödében pedig tovább is fejlesztette azokat – például a híres kissing number problémában új alsó korlátot talált 11 dimenzióban.
A Google célja, hogy az AlphaEvolve-ot a közeljövőben szélesebb körben is elérhetővé tegye, elsőként akadémiai partnerek számára. A rendszer bármilyen algoritmikusan leírható és automatikusan ellenőrizhető problémára alkalmazható, így a lehetőségek szinte végtelenek – az anyagtudománytól a gyógyszerkutatáson át a fenntarthatósági megoldásokig.
