O Google anunciou nesta quarta-feira, 14, o AlphaEvolve, um agente de codificação evolutiva que combina modelos de linguagem com avaliadores automatizados para descobrir e otimizar algoritmos de forma autônoma. Desenvolvido com base na linha de modelos Gemini, a tecnologia tem sido aplicada em áreas que vão de design de chips à resolução de problemas matemáticos em aberto.

A novidade representa uma extensão do uso de modelos de linguagem de grande porte, ou large language models (LLMs), em tarefas mais estruturadas e verificáveis — saindo da geração de código pontual para a criação de algoritmos completos, com capacidade de validação automática.

Segundo a empresa, o AlphaEvolve já aumentou a eficiência dos data centers do Google, contribuiu para o design de circuitos em unidades de processamento de IA (TPUs) e acelerou o treinamento de modelos como o próprio Gemini.

O agente opera com base em um sistema evolutivo: um conjunto de modelos propõe diferentes versões de programas computacionais, que são avaliadas por métricas objetivas. As melhores versões são mantidas em um banco de dados, que direciona novas gerações de código. O modelo Gemini Flash prioriza amplitude de ideias, enquanto o Gemini Pro aprofunda soluções promissoras.

IA que melhora a própria IA

Em testes internos, o AlphaEvolve ajudou a reduzir o tempo de treinamento do Gemini em 1%, ao encontrar uma forma mais eficiente de realizar operações de multiplicação de matrizes, núcleo do modelo de IA generativa. Em outra frente, ele otimizou instruções de GPU de baixo nível, ganhando até 32,5% de desempenho em kernels do tipo FlashAttention, comuns em modelos do tipo Transformer.

Em hardware, o sistema propôs uma reescrita em Verilog — linguagem usada por engenheiros de chips — que eliminou bits redundantes em circuitos especializados. A versão otimizada será integrada em uma futura geração das TPUs do Google.

Na operação dos data centers, o AlphaEvolve criou uma heurística simples que melhorou a orquestração dos recursos pelo Borg, sistema interno do Google. Essa alteração sozinha permitiu recuperar 0,7% da capacidade global de computação da empresa, hoje em produção contínua.

Avanços em problemas matemáticos

Além da computação, a equipe testou o AlphaEvolve em mais de 50 problemas abertos da matemática, cobrindo áreas como geometria, análise e teoria dos números. Em 75% dos casos, a IA reconstruiu soluções conhecidas; em 20%, melhorou o estado da arte. Um exemplo citado foi o avanço no problema do kissing number, em que a IA estabeleceu um novo limite inferior com 593 esferas externas em 11 dimensões.

Em um feito que supera o trabalho anterior da própria empresa com o AlphaTensor, o AlphaEvolve encontrou um algoritmo para multiplicar matrizes 4x4 complexas usando 48 multiplicações escalares — superando o recorde anterior, estabelecido em 1969 por Volker Strassen.

O Google pretende lançar um programa de acesso antecipado para pesquisadores acadêmicos e já trabalha em uma interface mais amigável, em colaboração com o time People + AI Research. A empresa também estuda ampliar o uso do AlphaEvolve para áreas como ciência de materiais, descoberta de fármacos e sustentabilidade.