Lernen Sie AlphaEvolve kennen, die Google-KI, die ihren eigenen Code schreibt – und gerade Millionen an Rechenkosten gespart hat

Google DeepMind hat heute AlphaEvolve enthüllt, einen Agenten für künstliche Intelligenz, der brandneue Computeralgorithmen erfinden und diese dann direkt im riesigen Computerimperium des Unternehmens einsetzen kann.

AlphaEvolve kombiniert Googles Gemini -Sprachmodelle mit einem evolutionären Ansatz, der Algorithmen automatisch testet, verfeinert und verbessert. Das System wird bereits in Googles Rechenzentren, Chipdesigns und KI-Trainingssystemen eingesetzt. Es steigert die Effizienz und löst mathematische Probleme, die Forscher seit Jahrzehnten vor Rätsel stellen.

„AlphaEvolve ist ein Gemini-basierter KI-Programmieragent, der neue Erkenntnisse in Informatik und Mathematik ermöglicht“, erklärte Matej Balog, Forscher bei Google DeepMind, in einem Interview mit VentureBeat. „Er kann Algorithmen von bemerkenswerter Komplexität entdecken – mit Hunderten von Codezeilen und komplexen logischen Strukturen, die weit über einfache Funktionen hinausgehen.“

Das System erweitert Googles bisherige Arbeit mit FunSearch erheblich, indem es ganze Codebasen statt einzelner Funktionen weiterentwickelt. Es stellt einen großen Fortschritt für die Fähigkeit der KI dar, anspruchsvolle Algorithmen sowohl für wissenschaftliche Herausforderungen als auch für alltägliche Computerprobleme zu entwickeln.

AlphaEvolve ist seit über einem Jahr bei Google im Einsatz. Die Ergebnisse sind bereits beachtlich.

Ein von der Plattform entdeckter Algorithmus dient als Grundlage für Borg , Googles riesiges Cluster-Management-System. Diese Planungsheuristik stellt kontinuierlich durchschnittlich 0,7 Prozent der weltweiten Rechenressourcen von Google wieder her – ein erstaunlicher Effizienzgewinn für Googles Größenordnung.

Die Entdeckung zielt direkt auf „ungenutzte Ressourcen“ ab – Maschinen, denen ein Ressourcentyp (wie Speicher) ausgegangen ist, während andere (wie die CPU) noch verfügbar sind. Die Lösung von AlphaEvolve ist besonders wertvoll, da sie einfachen, menschenlesbaren Code erzeugt, den Ingenieure leicht interpretieren, debuggen und einsetzen können.

Der KI-Agent hat nicht nur Rechenzentren im Blick. Er überarbeitete einen Teil des Hardware-Designs von Google und fand einen Weg, unnötige Bits in einer wichtigen Rechenschaltung für Tensor Processing Units (TPUs) zu eliminieren. Die TPU-Designer überprüften die Änderung auf ihre Richtigkeit, und sie wird nun in ein zukünftiges Chip-Design integriert.

Besonders beeindruckend ist, dass AlphaEvolve die Systeme selbst verbessert hat, die es antreiben. Es optimierte einen Matrixmultiplikationskernel, der zum Training von Gemini-Modellen verwendet wird, und erreichte so eine Beschleunigung dieser Operation um 23 % und eine Verkürzung der gesamten Trainingszeit um 1 %. Für KI-Systeme, die auf riesigen Rechennetzen trainieren, bedeutet dieser Effizienzgewinn erhebliche Energie- und Ressourceneinsparungen.

„Wir versuchen, kritische Teile zu identifizieren, die beschleunigt werden können und die größtmögliche Wirkung erzielen“, sagte Alexander Novikov, ein weiterer DeepMind-Forscher, in einem Interview mit VentureBeat. „Wir konnten die praktische Laufzeit [eines wichtigen Kernels] um 23 % optimieren, was zu einer End-to-End-Einsparung von 1 % auf der gesamten Gemini-Trainingskarte führte.“

AlphaEvolve löst mathematische Probleme, die menschliche Experten jahrzehntelang vor Rätsel stellten, und entwickelt gleichzeitig bestehende Systeme weiter.

Das System entwickelte ein neuartiges gradientenbasiertes Optimierungsverfahren, das mehrere neue Algorithmen zur Matrixmultiplikation entdeckte. Eine Entdeckung brach einen 56 Jahre alten mathematischen Rekord.

„Wir waren ehrlich gesagt überrascht, dass AlphaEvolve trotz seiner allgemeineren Technologie sogar bessere Ergebnisse erzielte als AlphaTensor “, sagte Balog und bezog sich dabei auf DeepMinds vorheriges spezialisiertes Matrixmultiplikationssystem. „Für diese 4x4-Matrizen hat AlphaEvolve erstmals einen Algorithmus entwickelt, der Strassens Algorithmus von 1969 in diesem Zusammenhang übertrifft.“

Der Durchbruch ermöglicht die Multiplikation zweier komplexwertiger 4×4-Matrizen mit 48 statt 49 Skalarmultiplikationen – eine Entdeckung, die Mathematikern seit Volker Strassens bahnbrechender Arbeit entgangen war. Laut der Forschungsarbeit verbessert AlphaEvolve „den Stand der Technik für 14-Matrizenmultiplikationsalgorithmen“.

Die mathematische Reichweite des Systems geht weit über die Matrizenmultiplikation hinaus. Bei Tests mit über 50 offenen Problemen aus den Bereichen mathematische Analysis, Geometrie, Kombinatorik und Zahlentheorie erreichte AlphaEvolve in etwa 75 % der Fälle die modernsten Lösungen. In etwa 20 % der Fälle verbesserte es die besten bekannten Lösungen.

Ein Erfolg gelang beim „Kusszahlproblem“ – einer jahrhundertealten geometrischen Herausforderung, bei der es darum geht, wie viele sich nicht überlappende Einheitskugeln gleichzeitig eine zentrale Kugel berühren können. In elf Dimensionen fand AlphaEvolve eine Konfiguration mit 593 Kugeln und brach damit den bisherigen Rekord von 592.

Was AlphaEvolve von anderen KI-Codierungssystemen unterscheidet, ist sein evolutionärer Ansatz.

Das System nutzt sowohl Gemini Flash (für Geschwindigkeit) als auch Gemini Pro (für Tiefe), um Änderungen am bestehenden Code vorzuschlagen. Diese Änderungen werden von automatisierten Evaluatoren getestet, die jede Variante bewerten. Die erfolgreichsten Algorithmen leiten dann die nächste Evolutionsrunde.

AlphaEvolve generiert nicht nur Code aus seinen Trainingsdaten. Es erkundet aktiv den Lösungsraum, entdeckt neue Ansätze und verfeinert diese durch einen automatisierten Evaluierungsprozess. So entstehen Lösungen, die Menschen vielleicht nie erdacht hätten.

„Ein entscheidender Aspekt unseres Ansatzes ist die Fokussierung auf Probleme mit eindeutigen Evaluatoren. Für jede vorgeschlagene Lösung oder jeden Codeabschnitt können wir automatisch deren Gültigkeit überprüfen und ihre Qualität messen“, erklärte Novikov. „So können wir schnelle und zuverlässige Feedbackschleifen zur Verbesserung des Systems etablieren.“

Dieser Ansatz ist besonders wertvoll, da das System jedes Problem mit einer klaren Bewertungsmetrik bearbeiten kann – sei es die Energieeffizienz in einem Rechenzentrum oder die Eleganz eines mathematischen Beweises.

AlphaEvolve wird derzeit in der Infrastruktur und mathematischen Forschung von Google eingesetzt, doch sein Potenzial reicht weit darüber hinaus. Google DeepMind sieht Anwendungen in den Materialwissenschaften, der Arzneimittelforschung und anderen Bereichen vor, die komplexe algorithmische Lösungen erfordern.

„Die beste Zusammenarbeit zwischen Mensch und KI kann dazu beitragen, offene wissenschaftliche Herausforderungen zu lösen und sie auch im Google-Maßstab anzuwenden“, sagte Novikov und betonte das kollaborative Potenzial des Systems.

Google DeepMind entwickelt derzeit gemeinsam mit seinem People + AI Research-Team eine Benutzeroberfläche und plant die Einführung eines Early-Access-Programms für ausgewählte akademische Forscher. Das Unternehmen prüft zudem eine breitere Verfügbarkeit.

Die Flexibilität des Systems stellt einen erheblichen Vorteil dar. Balog bemerkte: „Zumindest früher, als ich in der Forschung zum maschinellen Lernen tätig war, hatte ich nicht die Erfahrung gemacht, dass man ein wissenschaftliches Werkzeug entwickeln und sofort reale Auswirkungen in diesem Ausmaß sehen konnte. Das ist ziemlich ungewöhnlich.“

Mit der Weiterentwicklung großer Sprachmodelle werden auch die Fähigkeiten von AlphaEvolve wachsen. Das System demonstriert eine faszinierende Entwicklung der KI selbst – angefangen innerhalb der digitalen Grenzen der Google-Server über die Optimierung der Hard- und Software, die ihr Leben verleiht, bis hin zur Lösung von Problemen, die den menschlichen Intellekt seit Jahrzehnten oder Jahrhunderten herausfordern.