Conheça o AlphaEvolve, a IA do Google que escreve seu próprio código e acaba de economizar milhões em custos de computação

O Google DeepMind revelou hoje o AlphaEvolve , um agente de inteligência artificial que pode inventar algoritmos de computador totalmente novos — e colocá-los em prática diretamente no vasto império de computação da empresa.

O AlphaEvolve combina os modelos de linguagem Gemini do Google com uma abordagem evolucionária que testa, refina e aprimora algoritmos automaticamente. O sistema já foi implantado nos data centers, projetos de chips e sistemas de treinamento de IA do Google — aumentando a eficiência e resolvendo problemas matemáticos que intrigam pesquisadores há décadas.

“O AlphaEvolve é um agente de codificação de IA com tecnologia Gemini capaz de fazer novas descobertas em computação e matemática”, explicou Matej Balog, pesquisador do Google DeepMind, em entrevista ao VentureBeat. “Ele pode descobrir algoritmos de complexidade notável — abrangendo centenas de linhas de código com estruturas lógicas sofisticadas que vão muito além de simples funções.”

O sistema expande drasticamente o trabalho anterior do Google com o FunSearch , evoluindo bases de código inteiras em vez de funções isoladas. Representa um grande avanço na capacidade da IA ​​de desenvolver algoritmos sofisticados tanto para desafios científicos quanto para problemas de computação do dia a dia.

O AlphaEvolve vem trabalhando discretamente dentro do Google há mais de um ano. Os resultados já são significativos.

Um algoritmo descoberto está por trás do Borg , o enorme sistema de gerenciamento de clusters do Google. Essa heurística de agendamento recupera, em média, 0,7% dos recursos computacionais globais do Google continuamente — um ganho de eficiência impressionante na escala do Google.

A descoberta tem como alvo direto os "recursos ociosos" — máquinas que ficaram sem um tipo de recurso (como memória) e ainda têm outros (como CPU) disponíveis. A solução da AlphaEvolve é especialmente valiosa porque produz código simples e legível que os engenheiros podem facilmente interpretar, depurar e implementar.

O agente de IA não parou nos data centers. Ele reescreveu parte do design de hardware do Google, encontrando uma maneira de eliminar bits desnecessários em um circuito aritmético crucial para Unidades de Processamento Tensor (TPUs). Os designers de TPU validaram a alteração para garantir sua correção, e agora ela está sendo aplicada em um futuro design de chip.

Talvez o mais impressionante seja que o AlphaEvolve aprimorou os próprios sistemas que o alimentam. Ele otimizou um kernel de multiplicação de matrizes usado para treinar modelos Gemini , alcançando um aumento de 23% na velocidade dessa operação e reduzindo o tempo total de treinamento em 1%. Para sistemas de IA que treinam em grades computacionais massivas, esse ganho de eficiência se traduz em economias substanciais de energia e recursos.

“Tentamos identificar partes críticas que podem ser aceleradas e ter o maior impacto possível”, disse Alexander Novikov, outro pesquisador da DeepMind, em entrevista ao VentureBeat. “Conseguimos otimizar o tempo de execução prático de [um kernel vital] em 23%, o que se traduziu em uma economia de 1% de ponta a ponta em todo o cartão de treinamento Gemini.”

O AlphaEvolve resolve problemas matemáticos que deixaram especialistas humanos perplexos por décadas, ao mesmo tempo em que aprimora sistemas existentes.

O sistema projetou um novo procedimento de otimização baseado em gradiente que descobriu diversos algoritmos de multiplicação de matrizes. Uma descoberta quebrou um recorde matemático que perdurava há 56 anos.

“O que descobrimos, para nossa surpresa, para ser honesto, é que o AlphaEvolve , apesar de ser uma tecnologia mais geral, obteve resultados ainda melhores que o AlphaTensor ”, disse Balog, referindo-se ao sistema especializado anterior de multiplicação de matrizes da DeepMind. “Para essas matrizes quatro por quatro, o AlphaEvolve encontrou um algoritmo que supera o algoritmo de Strassen de 1969 pela primeira vez nesse cenário.”

A inovação permite que duas matrizes 4×4 de valores complexos sejam multiplicadas usando 48 multiplicações escalares em vez de 49 — uma descoberta que vinha sendo ignorada pelos matemáticos desde o trabalho pioneiro de Volker Strassen. De acordo com o artigo de pesquisa, o AlphaEvolve "aprimora o estado da arte para algoritmos de multiplicação de 14 matrizes".

O alcance matemático do sistema vai muito além da multiplicação de matrizes. Quando testado em mais de 50 problemas em aberto em análise matemática, geometria, combinatória e teoria dos números, o AlphaEvolve apresentou soluções de última geração em cerca de 75% dos casos. Em aproximadamente 20% dos casos, ele superou as melhores soluções conhecidas.

Uma vitória veio no "problema do número de beijo" — um desafio geométrico centenário para determinar quantas esferas unitárias não sobrepostas podem tocar simultaneamente uma esfera central. Em 11 dimensões, a AlphaEvolve encontrou uma configuração com 593 esferas, quebrando o recorde anterior de 592.

O que torna o AlphaEvolve diferente de outros sistemas de codificação de IA é sua abordagem evolucionária.

O sistema utiliza o Gemini Flash (para velocidade) e o Gemini Pro (para profundidade) para propor alterações no código existente. Essas alterações são testadas por avaliadores automatizados que pontuam cada variação. Os algoritmos mais bem-sucedidos guiam a próxima rodada de evolução.

A AlphaEvolve não apenas gera código a partir de seus dados de treinamento. Ela explora ativamente o espaço de soluções, descobre novas abordagens e as aprimora por meio de um processo de avaliação automatizado — criando soluções que humanos talvez nunca tivessem concebido.

“Uma ideia crucial em nossa abordagem é que focamos em problemas com avaliadores claros. Para qualquer solução ou trecho de código proposto, podemos verificar automaticamente sua validade e mensurar sua qualidade”, explicou Novikov. “Isso nos permite estabelecer ciclos de feedback rápidos e confiáveis ​​para aprimorar o sistema.”

Essa abordagem é particularmente valiosa porque o sistema pode trabalhar em qualquer problema com uma métrica de avaliação clara — seja a eficiência energética em um data center ou a elegância de uma prova matemática.

Embora atualmente implantado na infraestrutura e na pesquisa matemática do Google, o potencial do AlphaEvolve vai muito além. O Google DeepMind prevê aplicações em ciências dos materiais, descoberta de medicamentos e outras áreas que exigem soluções algorítmicas complexas.

“A melhor colaboração entre humanos e IA pode ajudar a resolver desafios científicos abertos e também aplicá-los na escala do Google”, disse Novikov, destacando o potencial colaborativo do sistema.

O Google DeepMind está desenvolvendo uma interface de usuário com sua equipe de Pesquisa de Pessoas e IA e planeja lançar um Programa de Acesso Antecipado para pesquisadores acadêmicos selecionados. A empresa também está explorando uma disponibilidade mais ampla.

A flexibilidade do sistema representa uma vantagem significativa. Balog observou que "pelo menos antes, quando eu trabalhava em pesquisa de aprendizado de máquina, não tinha experiência em construir uma ferramenta científica e ver imediatamente o impacto real nessa escala. Isso é bastante incomum."

À medida que os grandes modelos de linguagem avançam, as capacidades do AlphaEvolve crescerão junto com eles. O sistema demonstra uma evolução intrigante na própria IA — começando dentro dos limites digitais dos servidores do Google, otimizando o próprio hardware e software que lhe dão vida e agora expandindo-se para resolver problemas que desafiam o intelecto humano há décadas ou séculos.