Google onthult AlphaEvolve: revolutionaire AI schrijft eigen code en breekt wiskundige records

Google DeepMind heeft vandaag AlphaEvolve onthuld, een kunstmatige intelligentie die geheel nieuwe computeralgoritmes kan uitvinden – en die direct toepast binnen Google's enorme IT-infrastructuur.

AlphaEvolve combineert Google’s Gemini large language models met een evolutionaire benadering die algoritmes automatisch test, verfijnt en verbetert. Het systeem wordt al ingezet in datacenters, chipontwerpen en AI-trainingssystemen van Google, met als resultaat hogere efficiëntie en het oplossen van wiskundige problemen die onderzoekers al tientallen jaren bezighouden.

“AlphaEvolve is een AI-codeeragent op basis van Gemini die nieuwe ontdekkingen in computerwetenschappen en wiskunde mogelijk maakt,” legt Google DeepMind-onderzoeker Matej Balog uit aan VentureBeat. “Het ontdekt complexe algoritmes van honderden regels code, met logische structuren die veel verder gaan dan eenvoudige functies.”

Het systeem bouwt voort op eerder werk van Google, zoals FunSearch, maar gaat een stap verder: het evolueert volledige codebases in plaats van losse functies. Dit betekent een grote sprong voorwaarts in de ontwikkeling van geavanceerde algoritmes voor wetenschappelijke én alledaagse toepassingen.

AlphaEvolve werkt al ruim een jaar stilletjes binnen Google. De resultaten zijn indrukwekkend.

Een algoritme dat het ontdekte wordt inmiddels gebruikt door Borg, het enorme clusterbeheersysteem van Google. Deze zogeheten scheduling heuristic herwint gemiddeld 0,7% van Google’s wereldwijde computerbronnen – een gigantische besparing op die schaal.

Het algoritme richt zich op ‘verloren resources’: servers die bijvoorbeeld wel CPU-capaciteit hebben, maar geen geheugen meer. AlphaEvolve genereert begrijpelijke, leesbare code die door engineers eenvoudig te controleren en implementeren is.

Daarnaast herschreef de AI delen van Google’s chipontwerpen. Zo verwijderde het overbodige bits in een rekenmodule van de Tensor Processing Unit (TPU), wat binnenkort wordt toegepast in nieuwe chips.

Ook optimaliseerde het de matrixvermenigvuldigings-kern voor het trainen van Gemini-modellen, met een snelheidswinst van 23% voor die operatie en een algehele trainingstijdreductie van 1% – een enorme besparing in energie en rekencapaciteit.

AlphaEvolve lost ook problemen op die menselijke experts al decennia bezighouden.

Zo ontdekte het systeem meerdere nieuwe algoritmes voor matrixvermenigvuldiging, waaronder één dat het 56 jaar oude record van Strassen doorbreekt. Voor 4×4-matrices slaagde AlphaEvolve erin om deze te vermenigvuldigen met slechts 48 scalar-vermenigvuldigingen – één minder dan Strassens methode uit 1969.

Volgens het onderzoek verbeterde AlphaEvolve 14 bestaande algoritmes op dit gebied. Ook op andere wiskundige fronten maakte het indruk: bij 50 open vraagstukken uit analyse, meetkunde en getaltheorie evenaarde het in 75% van de gevallen de beste bekende oplossingen – en verbeterde het die in 20% van de gevallen.

Een voorbeeld: bij het eeuwenoude “kissing number problem” – hoeveel bollen kunnen een centrale bol raken zonder overlap – vond AlphaEvolve in 11 dimensies een oplossing met 593 bollen. Het oude record was 592.

Wat AlphaEvolve onderscheidt, is zijn evolutionaire aanpak. Het gebruikt Gemini Flash (voor snelheid) en Gemini Pro (voor diepgang) om wijzigingen in code voor te stellen. Die varianten worden automatisch getest, gescoord, en de beste versies worden weer verder geëvolueerd.

AlphaEvolve beperkt zich niet tot bestaande data, maar verkent actief nieuwe oplossingsrichtingen en verfijnt deze via snelle feedbackloops – een methode die leidt tot oplossingen die mensen zelf wellicht nooit hadden gevonden.

“We richten ons op problemen met duidelijke beoordelingscriteria,” aldus onderzoeker Alexander Novikov. “Daardoor kunnen we snel betrouwbare feedback geven en het systeem gericht verbeteren.”

Dit maakt het mogelijk om het systeem breed in te zetten, van energie-efficiëntie in datacenters tot de elegantie van een wiskundig bewijs.

Hoewel AlphaEvolve nu vooral binnen Google en in de wiskunde wordt gebruikt, ziet DeepMind veel bredere toepassingen. Denk aan materiaalwetenschap, geneesmiddelenonderzoek en andere domeinen die baat hebben bij geavanceerde algoritmes.

“De beste samenwerking tussen mens en AI kan bijdragen aan het oplossen van open wetenschappelijke vraagstukken én deze op Google-schaal toepassen,” zegt Novikov.

Er wordt gewerkt aan een gebruikersinterface samen met het People + AI Research-team van Google. Ook komt er een Early Access Program voor academische onderzoekers.

“Het is uitzonderlijk dat je als onderzoeker een wetenschappelijk tool bouwt die zó snel reële impact heeft,” aldus Balog. “Dat zie je niet vaak.”

Met de verdere ontwikkeling van language models groeit ook de kracht van AlphaEvolve. De AI die begon als interne tool optimaliseert nu zichzelf, Google’s infrastructuur én de wereld daarbuiten.