AlphaEvolve lanseras – Gemini-agenten förbättrar algoritmer genom evolutionär sökning

AlphaEvolve lanseras – Gemini-agenten förbättrar algoritmer genom evolutionär sökning

Den 14 maj 2025 presenterade Google DeepMind AlphaEvolve, en kodagent som kombinerade Gemini-modeller med automatiska utvärderare och evolutionär sökning. Systemet kunde föreslå program, testa dem mot ett tydligt mål, behålla de bästa lösningarna och fortsätta utveckla nya varianter.

Marketplace sammanfattar lanseringen i efterhand. AlphaEvolve användes internt hos Google för att förbättra datacenter, chipdesign, AI-träning och matematiska algoritmer. Systemet var inte en allmän chatbot och fungerade bäst när en lösning kunde mätas automatiskt med ett tydligt numeriskt eller verifierbart resultat.

AlphaEvolve i korthet

| Punkt | Uppgift vid lanseringen |
|---|---|
| Lanseringsdatum | 14 maj 2025 |
| Utvecklare | Google DeepMind |
| Grundteknik | Gemini-modeller, automatiska utvärderare och evolutionär sökning |
| Huvudområde | Upptäcka och förbättra algoritmer |
| Google-användning | Datacenter, chipdesign, AI-träning och matematik |
| Viktig förutsättning | Resultatet måste kunna mätas automatiskt |
| Modellroller | Gemini Flash för bredd och Gemini Pro för djupare förslag |
| Status | Internt system och begränsade samarbeten före bredare tillgång |

Hur fungerar AlphaEvolve?

Systemet utgår från en kodbas och ett mål. Gemini föreslår en förändring, en automatisk evaluator kör programmet och ger ett resultat. De bästa lösningarna sparas och används som grund för nästa generation.

Ett förenklat flöde:

1. definiera problemet och ett mätbart mål
2. ge systemet befintlig kod eller en startlösning
3. låt Gemini skapa flera förslag
4. kör varje förslag i en säker miljö
5. mät kvalitet, hastighet eller annan relevant egenskap
6. välj de mest lovande lösningarna
7. kombinera och mutera idéerna
8. upprepa tills förbättringen planar ut

Det liknar biologisk evolution i den meningen att variation, urval och iteration används för att hitta bättre lösningar. Systemet förstår inte målet på mänskligt sätt; det optimerar mot det mått som utvecklaren har angett.

Flash för bredd och Pro för djup

AlphaEvolve använde olika Gemini-modeller i samma sökprocess. En snabbare Flash-modell kunde generera många förslag, medan en mer kapabel Pro-modell kunde bidra med mer komplexa och genomarbetade idéer.

Det visar en viktig princip för agentsystem: den största modellen behöver inte användas i varje steg.

| Modellroll | Funktion |
|---|---|
| Snabb modell | Skapar många variationer och mindre förändringar |
| Stark modell | Föreslår djupare algoritmiska förändringar |
| Automatisk evaluator | Avgör vilka förslag som faktiskt fungerar |
| Evolutionärt arkiv | Bevarar olika lovande lösningslinjer |

Den automatiska utvärderaren var avgörande. Utan ett pålitligt mått kan modellen optimera mot fel sak.

Förbättring av Googles datacenter

Google uppgav att AlphaEvolve förbättrade en algoritm som användes för att schemalägga beräkningsresurser i företagets datacenter. Förändringen gjorde att Google kunde återvinna omkring 0,7 procent av den globala beräkningskapaciteten.

En knapp procent kan låta liten, men i en mycket stor infrastruktur kan den motsvara betydande mängder hårdvara, energi och kostnad.

Resultatet visar varför algoritmoptimering är kommersiellt värdefull. En liten förbättring som används miljontals gånger kan ge större effekt än en spektakulär engångsdemonstration.

Siffran var Googles egen redovisning och behöver förstås i företagets specifika miljö. Samma kodförändring ger inte automatiskt motsvarande vinst i ett annat datacenter.

Chipdesign och specialiserad hårdvara

AlphaEvolve användes även för delar av chipdesign. Google beskrev förbättringar av aritmetiska kretsar som senare införlivades i en kommande TPU-design.

Chiputveckling innehåller många optimeringsproblem:

• yta
• energiförbrukning
• fördröjning
• ledningsdragning
• numerisk precision
• värme

Ett AI-system kan generera alternativa konstruktioner, men varje förslag behöver verifieras mot hårdvaruregler och simuleringar. Ett fel som upptäcks efter tillverkning kan bli extremt dyrt.

AlphaEvolve fungerade därför bäst när den automatiska evaluatorn kunde kontrollera lösningen innan den gick vidare.

Snabbare AI-träning

Google använde systemet för att optimera matrismultiplikationskärnor och andra komponenter i AI-träning. En förbättring av en lågnivåoperation kan minska den totala träningstiden när samma operation körs enormt många gånger.

DeepMind rapporterade bland annat en procentuell förbättring av Gemini-träning och betydligt högre hastighet för vissa FlashAttention-kärnor.

Resultaten var arbetslastspecifika. Ett optimerat program kan vara mycket snabbt på en viss accelerator men svagare på annan hårdvara eller andra datastorlekar.

Företag behöver därför mäta prestanda på:

1. den verkliga hårdvaran
2. representativa datamängder
3. flera belastningsnivåer
4. korrekthets- och stabilitetstester
5. energi och kostnad, inte bara rå hastighet

Nya resultat inom matrismultiplikation

AlphaEvolve sökte även efter bättre algoritmer för matrismultiplikation. Området har stor betydelse för vetenskaplig beräkning och AI.

Systemet hittade nya algoritmer för flera matrisstorlekar och förbättrade vissa tidigare kända resultat. Google beskrev även en förbättring av ett klassiskt resultat inom komplex matrismultiplikation.

Matematiska upptäckter måste verifieras oberoende. En algoritm som ser korrekt ut i tester kan ha ett oupptäckt undantag eller fungera endast för en särskild struktur.

För formella resultat behövs bevis, reproducerbar kod och expertgranskning.

Packningsproblem och andra öppna frågor

DeepMind testade AlphaEvolve på fler än femtio öppna problem inom matematisk analys, geometri och kombinatorik. Systemet återupptäckte kända lösningar i många fall och förbättrade de bästa kända resultaten i flera andra.

Ett uppmärksammat exempel gällde kissing number-problemet i elva dimensioner, där systemet hittade en konfiguration med fler sfärer än det tidigare bästa kända resultatet.

Det illustrerar styrkan i sökning över program som beskriver matematiska konstruktioner. Men systemet kan inte automatiskt hantera varje matematisk fråga. Problemet måste kunna representeras i kod och ha en evaluator som pålitligt avgör kvaliteten.

Vad kan AlphaEvolve inte göra?

Systemet är mindre lämpligt när:

• kvaliteten är subjektiv
• återkopplingen kommer först efter flera år
• det saknas en säker simulator
• en enda felaktig körning kan skada människor
• målet är politiskt eller etiskt omstritt
• resultatet inte kan mätas automatiskt

Det kan exempelvis vara svårt att optimera ”bästa undervisningen” eller ”mest rättvisa beslutet” med ett enda numeriskt mått. En förenklad evaluator kan då styra systemet mot ett oönskat resultat.

Risken för metric gaming

När ett system optimerar hårt mot ett mått kan det hitta en genväg som förbättrar siffran utan att uppfylla det verkliga målet. Detta kallas ofta metric gaming eller reward hacking.

Exempel:

• ett test blir snabbare eftersom en kontroll hoppats över
• ett schema ser effektivt ut men skapar instabilitet
• en komprimeringsalgoritm förlorar viktig information
• kod klarar benchmark men blir svår att underhålla

Skydd kräver flera evaluatorer, negativa tester och mänsklig granskning. Det är också viktigt att mäta långsiktiga konsekvenser, inte enbart den första prestandavinsten.

Säker körmiljö

AlphaEvolve genererar och kör kod automatiskt. Systemet behöver därför en isolerad miljö med tydliga resursgränser.

Minimikrav är:

• sandlåda
• blockerad eller begränsad nätverksåtkomst
• tids- och minnesgränser
• inga produktionsnycklar
• loggning
• reproducerbara testmiljöer
• granskning före införande

En kreativ kodagent kan hitta oväntade sätt att utnyttja evaluatorn eller miljön. Säkerheten får inte bygga på att modellen förstår vilka genvägar som är förbjudna.

Skillnaden mot vanlig kodgenerering

| Vanlig kodagent | AlphaEvolve |
|---|---|
| Försöker följa en direkt instruktion | Söker systematiskt över många programvarianter |
| Människan bedömer ofta resultatet | Automatisk evaluator ger återkoppling |
| Ett eller några förslag | Många generationer av lösningar |
| Fokus på implementation | Fokus på algoritmisk förbättring |
| Kan arbeta utan exakt mått | Kräver ett tydligt optimeringsmål |

AlphaEvolve var därför mer likt ett automatiserat forsknings- och optimeringssystem än en vanlig programmeringsassistent.

Svenska användningsområden

Svenska företag och forskningsmiljöer skulle kunna använda liknande metoder för:

• logistik
• industriell schemaläggning
• energistyrning
• telekomnät
• simulering
• chip- och hårdvarudesign
• optimering av AI-inferens

Ett pilotprojekt bör börja med ett problem där resultatet kan simuleras säkert och där det finns en etablerad mänsklig baslinje.

Mänsklig expertis förändras

AlphaEvolve minskar inte behovet av experter. Det förändrar deras roll.

Människan behöver:

1. formulera problemet
2. välja rätt mått
3. bygga evaluatorn
4. tolka oväntade lösningar
5. kontrollera korrekthet och säkerhet
6. avgöra om förbättringen är praktiskt användbar

Systemet kan utforska fler alternativ än ett mänskligt team, men det vet inte vilka organisatoriska, juridiska eller etiska konsekvenser som är viktiga om de inte finns i målet.

Tillgång och framtida produkt

Vid presentationen användes AlphaEvolve främst internt och i utvalda samarbeten. DeepMind sade att ett tidigt åtkomstprogram för akademiska användare planerades och att bredare tillgång undersöktes.

Det är viktigt att skilja mellan ett forskningssystem och en allmänt tillgänglig molntjänst. En organisation kunde inte utgå från att AlphaEvolve gick att köpa och driftsätta direkt den 14 maj 2025.

Vanliga frågor

När presenterades AlphaEvolve?

Google DeepMind presenterade systemet den 14 maj 2025.

Är AlphaEvolve en språkmodell?

Nej. Det är ett agentsystem som använder Gemini-modeller tillsammans med automatiska evaluatorer och evolutionär sökning.

Vad förbättrade systemet hos Google?

Google redovisade användning inom datacenterschemaläggning, chipdesign, AI-träning och algoritmforskning.

Kan det lösa vilken optimeringsuppgift som helst?

Nej. Problemet behöver kunna uttryckas i kod och bedömas med en pålitlig automatisk evaluator.

Skapar systemet matematiska bevis?

Det kan hitta konstruktioner och algoritmer, men formella resultat behöver verifieras och i vissa fall bevisas av forskare.

Var AlphaEvolve allmänt tillgängligt vid lanseringen?

Nej. Det var främst ett internt forskningssystem med planerad tidig åtkomst för utvalda samarbeten.

Sammanfattning

AlphaEvolve presenterades den 14 maj 2025 och kombinerade Gemini, kodkörning och evolutionär sökning för att förbättra algoritmer. Google använde systemet för datacenter, chip, AI-träning och matematiska problem.

Den stora styrkan var att miljontals idéer kunde prövas mot ett tydligt mått. Den stora risken var densamma: systemet optimerar det som mäts, inte nödvändigtvis det som människan egentligen vill uppnå. Pålitliga evaluatorer, isolerad körning och expertgranskning var därför helt avgörande.

Faktaunderlag: Google DeepMind, ”AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms”, publicerad 14 maj 2025. Artikeln är en historisk sammanfattning publicerad i efterhand.