A Google DeepMind lançou recentemente uma tecnologia revolucionária, a AlphaEvolve, uma nova inteligência codificada por IA que não só escreve e optimiza automaticamente algoritmos, como também faz importantes descobertas científicas. Este artigo irá aprofundar o funcionamento desta tecnologia revolucionária, as suas principais caraterísticas e as suas aplicações práticas em vários domínios.
AlphaEvolve: uma plataforma de descoberta de algoritmos auto-evolutivos
O posicionamento central da AlphaEvolve é uma plataforma universal de descoberta e otimização de algoritmos baseada em grandes modelos de linguagem (LLM), algoritmos evolutivos e avaliadores automáticos. Ao contrário das ferramentas tradicionais de codificação de IA, a AlphaEvolve não só gera código, como também avalia automaticamente o desempenho desse código, ajustando depois a estratégia com base nos resultados da avaliação e gerando iterativamente melhores soluções, simulando essencialmente o processo de "evolução algorítmica natural".
A diferença fundamental entre o AlphaEvolve e os sistemas de IA anteriores:
| Caraterísticas das competências | AlphaCode (2022) | AlphaTensor (2022) | AlphaEvolve (2025) |
|---|---|---|---|
| entrada e saída | Linguagem natural → código do programa | Tarefas estruturadas → Algoritmo de multiplicação | Problemas generalizados → algoritmos verificáveis |
| lógica de implementação | Geração única | Pesquisa de estruturas + ajuste de modelos | Geração de LLM + avaliação automática + otimização evolutiva |
| Mecanismos de avaliação | Avaliação humana ou avaliação estática | Métricas de desempenho do simulador | Funcionamento dinâmico automático + feedback de classificação |
| Âmbito de aplicação | Temas de concursos de programação, etc. | Otimização da multiplicação de matrizes | Programação, algoritmos, matemática, otimização de sistemas |
O que o torna único:
- Não é necessário que os seres humanos escrevam planos de otimização passo a passo, pode propor autonomamente melhorias, auto-teste e auto-aperfeiçoamento
- Capacidade de modificar secções inteiras do código do programa, e não apenas pequenos ajustes de funções
- Aprenderá a aplicar estratégias diferentes a problemas diferentes, por exemplo, utilizando algoritmos de pesquisa para problemas complexos e métodos construtivos para problemas estruturados
- Já está a ser utilizado no ambiente de produção em grande escala da Google, não é apenas uma prova de conceito de laboratório
Mecanismo de funcionamento e arquitetura técnica da AlphaEvolve
O AlphaEvolve é um sistema complexo ligado a vários componentes e várias fases que contém os seguintes módulos e fluxos de trabalho principais:
Componentes e processos do sistema
O fluxo de trabalho geral do AlphaEvolve é construído a partir de vários módulos que trabalham em conjunto:
- fase de entradaO utilizador recebe o código inicial do programa, uma definição do problema a otimizar e uma função de avaliação automática (para medir o desempenho do código, a correção dos resultados, etc.).
- Composição do módulo principal::
- Amostra de promptsCombine soluções historicamente excelentes com o contexto do problema para criar avisos complexos que suportem conhecimentos de base, fórmulas e fragmentos de código fornecidos por humanos.
- Integração LLM (LLM Ensemble)Utilize o Gemini Flash para gerar rapidamente um grande número de candidatos e o Gemini Pro para otimizar profundamente as principais recomendações e conduzir o processo de "evolução" de forma colaborativa.
- Avaliadores automáticos (Avaliadores)Executa e avalia automaticamente o desempenho de cada programa, suportando a otimização multi-métrica, a avaliação em cascata e a execução distribuída paralela.
- Base de dados do programaMemorização de programas históricos, pontuações de avaliação e modificações para construir uma nova geração de Prompts, permitindo uma evolução semelhante à "memória genética".
- ciclo evolutivo::
- Selecionar um "programa-mãe" da base de dados e extrair a sua estrutura óptima.
- Criar a tarefa e o contexto actuais através de Prompt
- LLM gera um novo código diff (diff)
- Diferenças de aplicação das "sub-rotinas"
- O avaliador executa e pontua
- Se o programa filho tiver um desempenho superior ao do programa pai, é adicionado à base de dados e passa à ronda seguinte de evolução
Este processo evolui não só o próprio código, mas também o PROMPT e as métricas de avaliação, permitindo uma otimização da pesquisa altamente adaptável.
Ultrapassar os limites da matemática: as realizações científicas da AlphaEvolve
A AlphaEvolve fez vários avanços no domínio da descoberta matemática e algorítmica, resolvendo uma série de problemas em aberto que permaneceram sem solução durante muito tempo:
Inovação do algoritmo de multiplicação de matrizes
Uma das realizações mais notáveis da AlphaEvolve foi a descoberta de um algoritmo mais eficiente para multiplicar matrizes complexas 4×4 do que o algoritmo de Strassen de 1969, que era anteriormente considerado a solução óptima no domínio, exigindo 49 multiplicações, que a AlphaEvolve reduziu para 48, batendo um recorde que não era melhorado há 56 anos.
Progressos no puzzle de 300 anos de geometria
A AlphaEvolve também fez um grande avanço no famoso Problema do Número do Beijo. Este problema explora quantas esferas unitárias no espaço n-dimensional podem ser tangentes a uma esfera unitária central sem se intersectarem ao mesmo tempo. Em 11 dimensões, o AlphaEvolve encontrou uma estrutura que consiste em 593 esferas externas, aumentando o limite inferior anterior de 592 e aproximando-se do limite superior conhecido de 868.
Além disso, registaram-se avanços em problemas em aberto em vários domínios da matemática:
- O domínio da análiseMelhoria dos limites óptimos conhecidos para vários problemas de desigualdade de autocorrelação; melhoria ligeira dos limites superiores através da otimização da construção do princípio da incerteza na análise de Fourier.
- Matemática Combinatória e Teoria dos Números: Estabelece um novo limite superior para o problema da sobreposição mínima de Erdős, ultrapassando o recorde anterior.
- Problemas de geometria e empilhamentoO objetivo é otimizar a relação entre a distância máxima e mínima e o preenchimento ótimo de polígonos aninhados.
Dos mais de 50 problemas abertos de matemática testados pela equipa DeepMind, o AlphaEvolve redescobriu soluções de ponta em cerca de 751 TP3T de problemas e melhorou as soluções mais conhecidas em 201 TP3T de problemas.
Vale a pena mencionar que o medalhista Fields Tao Zhexuan também esteve diretamente envolvido na exploração das aplicações matemáticas do AlphaEvolve.
Melhorar a ecoeficiência do Google: aplicações práticas e resultados
A AlphaEvolve passou da investigação teórica para aplicações práticas, produzindo ganhos de eficiência significativos em vários dos principais sistemas da Google:
Otimização do centro de dados
Um algoritmo heurístico de agendamento para o sistema de gestão de clusters Borg da Google está a ser utilizado em produção há mais de um ano, recuperando de forma consistente cerca de 0,7% de recursos de computação. O algoritmo resolve o problema do "recurso encalhado" (por exemplo, ficar sem memória mas com a CPU ainda disponível) e gera um código simples e legível que é fácil de depurar e implementar pelos engenheiros.
Sinergia na conceção de chips de IA
A AlphaEvolve fornece uma solução de reescrita ao nível de Verilog para circuitos de multiplicação de matrizes em TPUs da Google, removendo bits redundantes e mantendo a correção funcional. Esta proposta foi adoptada no fluxo de design para a futura geração de chips e espera-se que resulte em poupanças significativas na área do chip e no consumo de energia.
Aceleração do treino de modelos de IA
Em termos de formação de IA, a AlphaEvolve também demonstrou capacidades de otimização surpreendentes:
- Kernel de multiplicação de matrizes optimizado no treino do modelo Gemini, acelerando 231 TP3T e reduzindo o tempo total de treino em 11 TP3T
- Refacção de instruções GPU de baixo nível no núcleo FlashAttention para um aumento de velocidade de 32,5%
Estas optimizações não só melhoram o desempenho, como também reduzem drasticamente o tempo de engenharia necessário para a otimização do kernel, de semanas de trabalho especializado para dias de experiências automatizadas, permitindo aos investigadores inovar mais rapidamente.
Perspectivas futuras e implicações da AlphaEvolve
Como plataforma de descoberta e otimização de algoritmos para fins gerais, a promessa de aplicação da AlphaEvolve vai muito além do que foi alcançado até agora. Representa um novo paradigma para a descoberta científica assistida por IA e a conceção de algoritmos, e espera-se que tenha um impacto de grande alcance em muitos outros domínios no futuro:
- Expansão para domínios científicos mais vastosO termo "algoritmo" é utilizado principalmente em matemática e ciências da computação, mas a sua generalidade significa que pode ser aplicado a qualquer solução para um problema que possa ser descrito como um algoritmo e verificado automaticamente, incluindo a ciência dos materiais, a descoberta de medicamentos, etc.
- Um novo modelo de colaboração entre a IA e os especialistas humanosAlphaEvolve oferece um novo modelo de colaboração entre a IA e os especialistas, em que a IA é responsável pela exploração de um grande número de possibilidades e pela apresentação de soluções inovadoras, e os especialistas humanos são responsáveis pela validação e compreensão dessas soluções.
- Democratização da otimização algorítmicaÀ medida que estas técnicas evoluem, a otimização algorítmica avançada pode deixar de estar limitada a alguns especialistas e mais programadores e investigadores poderão utilizar estas ferramentas para melhorar a eficiência do seu trabalho.
- Potenciais impactos económicos e ambientaisAs aplicações só no centro de dados da Google mostraram uma taxa de recuperação de recursos de 0,71 TP3T e, se esta tecnologia for amplamente adoptada, poupará muita energia e recursos nos centros de dados de todo o mundo.
A AlphaEvolve está agora aberta a convites para testes iniciais, não apenas limitados ao meio académico, mas abertos a candidaturas de utilizadores de todas as indústrias que desejem explorar o campo da otimização algorítmica, anunciando o seu papel numa gama mais vasta de cenários de aplicação.
Este facto assinala um novo marco na ciência informática - os sistemas de IA já não são apenas ferramentas a programar por programadores humanos, mas parceiros capazes de descobrir e melhorar algoritmos por si próprios, uma mudança que pode desencadear uma revolução na programação, tal como o AlphaGo fez com o Go.
