Creato da DeepMind, AlphaEvolve è in grado di superare l’uomo in matematica, ingegneria e ottimizzazione algoritmica
AlphaEvolve è il nuovo sistema sviluppato da DeepMind che combina linguaggi di programmazione e apprendimento evolutivo per scoprire algoritmi scientifici migliori di quelli ideati dall’uomo, segnando una svolta potenzialmente storica nel modo in cui facciamo ricerca.
Un agente che evolve codice invece di scriverlo
Il cuore di AlphaEvolve è un’idea potente quanto semplice: generare automaticamente codice per risolvere un problema, valutarlo, migliorarlo e ripetere il processo centinaia o migliaia di volte. Non si tratta di un modello che cerca di scrivere la soluzione “giusta” in un solo tentativo, ma di un sistema che evolve codice attraverso un ciclo continuo di mutazioni, selezioni e raffinamenti. A ogni iterazione, AlphaEvolve seleziona le migliori soluzioni da un archivio di candidati, le modifica usando modelli linguistici di ultima generazione, le valuta con metriche automatiche e aggiorna il suo database con i risultati migliori. Il processo si ispira all’evoluzione biologica, ma è guidato interamente da calcolo e codice.
Questo approccio supera i limiti dei precedenti sistemi come FunSearch, che agivano su frammenti limitati di codice. AlphaEvolve può modificare interi file, gestire codice in vari linguaggi e ottimizzare più metriche contemporaneamente. Inoltre, sfrutta modelli di linguaggio come Gemini 2.0 Pro e Flash, combinando qualità e velocità di generazione.
Risultati concreti: dal codice alla scienza
-
Ha superato l’algoritmo di Strassen (1969) per la moltiplicazione di matrici 4×4, trovando una soluzione con 48 moltiplicazioni invece di 49, una frontiera rimasta ferma per 56 anni.
-
Ha ottimizzato l’allocazione delle risorse nei data center di Google, recuperando lo 0,7% della potenza computazionale totale.
-
Ha migliorato la velocità dei kernel di addestramento di Gemini, riducendo del 23% il tempo di esecuzione di operazioni chiave.
-
Ha trovato soluzioni migliori in oltre 50 problemi matematici aperti, in campi che spaziano dalla combinatoria alla geometria fino all’analisi armonica.
In particolare, ha contribuito a battere lo stato dell’arte nella Minimum Overlap Problem di Erdős e nel problema del Kissing Number in 11 dimensioni, individuando una configurazione di 593 sfere in contatto, superando il precedente record di 592.
Come funziona AlphaEvolve
Il funzionamento di AlphaEvolve è organizzato in un pipeline asincrono distribuito, composto da:
-
Un database evolutivo che conserva soluzioni e feedback.
-
Un insieme di valutatori che eseguono il codice proposto e ne calcolano i punteggi.
-
Un sistema di generazione di prompt che combina risultati passati, meta-istruzioni, contesto esplicito e formule di valutazione.
-
Un insieme di LLM che propongono modifiche al codice in formato diff, permettendo aggiornamenti mirati e tracciabili.
Il sistema permette di agire su blocchi di codice annotati, integrare criteri di valutazione personalizzati e ottimizzare soluzioni su più metriche. Ogni componente è pensato per massimizzare la varietà e la qualità delle proposte generate.
L’evoluzione della scoperta scientifica
Il potenziale di AlphaEvolve va ben oltre l’ingegneria del software. In matematica, ad esempio, il sistema non cerca direttamente le soluzioni, ma evolve algoritmi di ricerca euristica che, nel tempo, generano oggetti matematici sempre più performanti. Questo approccio, sorprendentemente efficace, ha permesso a AlphaEvolve di risolvere problemi aperti suggeriti da matematici come Terence Tao, spesso senza intervento umano nel processo di ricerca.
Nei test interni, il sistema ha battuto le migliori costruzioni conosciute nel 20% dei problemi e ha eguagliato lo stato dell’arte nel 75%, partendo da configurazioni casuali o semplici. In molti casi, ha individuato strategie di ricerca multi-fase difficilmente replicabili a mano.
Impatto sulle infrastrutture tecnologiche
L’applicazione di AlphaEvolve ai sistemi di Google non è secondaria. Il sistema è stato impiegato per:
-
Ottimizzare la schedulazione dei job nei data center, riducendo la dispersione di risorse.
-
Accelerare kernel fondamentali per l’addestramento dei modelli Gemini.
-
Snellire il codice generato dai compilatori, rendendo più efficiente l’esecuzione dell’operazione di attenzione nei transformer.
-
Migliorare circuiti hardware in Verilog, rimuovendo componenti ridondanti nei TPU.
Tutti questi interventi sono stati verificati manualmente dagli ingegneri e in molti casi sono stati distribuiti in produzione, con effetti misurabili.
Perché è diverso da altri sistemi
AlphaEvolve non è un sistema che si limita a suggerire codice: è una piattaforma di scoperta autonoma, in grado di:
-
Generare, testare e ottimizzare codice in modo iterativo.
-
Imparare dal feedback strutturato, evitando le allucinazioni comuni nei modelli linguistici.
-
Agire su interi progetti software.
-
Affrontare problemi scientifici aperti e di interesse accademico.
-
Rendere interpretabili e riproducibili le soluzioni, un requisito chiave per l’adozione industriale.
Inoltre, rispetto ad approcci come reinforcement learning o ricerca esaustiva, AlphaEvolve offre velocità, scalabilità e generalità superiori, rendendolo adatto a un ampio spettro di applicazioni.
Collaborazione tra uomo e macchina
Un aspetto notevole del progetto è la collaborazione simbiotica tra AlphaEvolve e gli esperti umani. In alcuni esperimenti, suggerimenti iniziali da parte di matematici hanno permesso al sistema di raggiungere soluzioni ancora più efficaci, a dimostrazione che la sinergia tra intuizione umana e calcolo automatico può portare a nuove forme di scoperta scientifica assistita.
Una nuova era per la scienza computazionale
AlphaEvolve rappresenta un salto concettuale e tecnologico. Il suo approccio alla scoperta, basato su codice evolutivo, valutazione automatica e prompt contestuali, apre la strada a un nuovo paradigma per la scienza: uno in cui l’innovazione non nasce più solo dall’intuizione, ma da un processo continuo e automatizzato di generazione, verifica e miglioramento.
