Google AlphaEvolve ускоряет обучение моделей на 23% и меняет роль инженеров

Компания Google DeepMind представила AlphaEvolve — специализированного ИИ-агента для создания и оптимизации сложных алгоритмов. Система сочетает генеративные возможности модели Gemini с автоматической проверкой кода, используя эволюционный подход для отбора лучших решений. Инструмент уже применяется внутри инфраструктуры Google: он улучшил работу дата-центров, ускорил обучение моделей и помог в проектировании чипов.

Важный нюанс: AlphaEvolve не просто пишет код, а проводит тысячи экспериментов, отбирая решения, которые человек мог бы не рассмотреть из-за их неочевидности.

Как работает система

В основе AlphaEvolve лежит связка двух моделей Gemini: быстрой Gemini Flash для генерации широкого спектра идей и мощной Gemini Pro для глубокого анализа и уточнения деталей. Процесс напоминает естественный отбор:

• Модели предлагают варианты программ.
• Автоматические тесты проверяют каждую версию на точность и качество.
• Система сохраняет успешные решения и использует их как базу для создания новых, более эффективных версий.

Такой подход позволяет системе выходить за рамки поиска одной функции и эволюционировать целые кодовые базы. Это особенно эффективно в задачах, где результат можно измерить численно, например, в математике или компьютерных науках.

Влияние на инфраструктуру и оборудование

За последний год алгоритмы, найденные AlphaEvolve, внедрены в различные части вычислительной экосистемы Google. Эффект от их применения накапливается на уровне всей инфраструктуры.

• Оптимизация дата-центров: Система нашла простой, но эффективный метод планирования задач для оркестратора Borg. Это решение, работающее в производстве более года, позволяет в среднем восстанавливать 0,7% мировых вычислительных ресурсов Google. Код, созданный ИИ, человек может читать и отлаживать, что упрощает эксплуатацию.
• Проектирование чипов: AlphaEvolve предложил переписку кода на языке Verilog для арифметического узла умножения матриц. Предложение устранило лишние биты в цепи. После прохождения строгой проверки на корректность изменения были интегрированы в новый ускоритель TPU. Это демонстрирует возможность совместной работы ИИ и инженеров-разработчиков оборудования.

Стоит учесть: Оптимизация на уровне аппаратного обеспечения и планировщиков задач дает кумулятивный эффект, где даже малый процент экономии ресурсов перерастает в значительное снижение затрат на уровне глобальной инфраструктуры.

Ускорение разработки ИИ и математические открытия

Внедрение новых алгоритмов напрямую влияет на скорость и стоимость создания искусственного интеллекта.

• Обучение моделей: AlphaEvolve нашла способ эффективнее разбивать умножение больших матриц на подзадачи. Это ускорило ключевое ядро архитектуры Gemini на 23%, сократив время обучения модели на 1%. Время на оптимизацию таких ядер сократилось с недель ручной работы экспертов до дней автоматических экспериментов.
• Работа с видеокартами: Система оптимизировала низкоуровневые инструкции для GPU, достигнув ускорения ядра FlashAttention до 32,5%. Это позволяет инженерам быстрее находить узкие места в производительности.
• Математика: В задаче умножения матриц размером 4x4 с комплексными числами система нашла алгоритм, использующий 48 скалярных умножений. Это улучшение по сравнению с алгоритмом Штрассена 1969 года, который долгое время считался лучшим для таких условий.
• Решение открытых задач: На наборе из более чем 50 открытых математических проблем система в 75% случаев нашла уже известные лучшие решения, а в 20% случаев предложила улучшения. Например, в задаче о числе поцелуев (kissing number problem) в 11 измерениях AlphaEvolve установил новую нижнюю границу, найдя конфигурацию из 593 сфер.

Операционные последствия и тренды

• Снижение порога входа в оптимизацию: Задачи, требующие недель работы узких специалистов (оптимизация ядер, низкоуровневый код), теперь решаются за дни. Это меняет экономику разработки: компании могут быстрее итерировать алгоритмы без привлечения огромных команд экспертов.
• Новая роль инженера: Взаимодействие смещается от написания кода с нуля к верификации и интеграции предложений ИИ. Инженер становится куратором, проверяющим корректность и применимость сгенерированных решений.
• Расширение области применения: Поскольку система работает с любыми задачами, решение которых можно описать алгоритмом и проверить автоматически, ожидается перенос опыта в другие сферы: материаловедение, разработку лекарств и устойчивое развитие.

На фоне этого: Переход от ручного написания алгоритмов к их эволюционному поиску может привести к появлению решений, которые интуитивно неочевидны для человека, но математически эффективны.

Команда Google планирует запустить программу раннего доступа (Early Access) для отобранных академических пользователей. Регистрация интереса к использованию инструмента уже открыта через специальную форму.