AlphaEvolve è il nuovo agente IA di Google DeepMind capace scoprire algoritmi più efficienti

Google DeepMind ha presentato AlphaEvolve, un agente di Intelligenza Artificiale che rappresenta un punto di svolta per l'utilizzo della tecnologia nell'affrontare grandi problemi della scienza e della matematica. AlphaEvolve è basato sui modelli linguistici Gemini e adotta un approccio definito "evolutivo" e capace, cioè, di valutare e migliora gli algoritmi che vengono utilizzati in una vasta gamma di applicazioni.

Da un certo punto di vista AlphaEvolve è un modo per ridurre il rischio di allucinazioni, soprattutto nei problemi complessi, comune ai modelli LLM più diffusi.

Un sistema di valutazione automatica per soluzioni ottimali

Questo è possibile, stando ovviamente a quanto ci racconta DeepMind, con l'uso di un sistema di valutazione automatica: nel momento in cui ci si rivolge ad AlphaEvolve, sottoponendogli un problema insieme a possibili soluzioni percorribili, il modello genera il più ampio spettro possibile varie risposte plausibili tramite Gemini Flash, e fa uso di Gemini Pro per elaborare suggerimenti più approfonditi.

A questo punto ogni soluzione viene analizzata da un meccanismo di valutazione automatica, e quella che risulta migliore delle altre viene ulteriormente ottimizzata progressivamente tramite il framework evolutivo di AlphaEvolve. Secondo DeepMind questo processo di verifica, esecuzione e valutazione delle s oluzioni proposte mette a disposizione un modo oggettivo e quantificabile per pesare l'accuratezza e la qualità di ciascuna soluzione proposta.

Un'AI general-purpose per qualsiasi problema algoritmico

DeepMind ha già sviluppato in passato sistemi IA più avanzati per scopi specifici, come ad esempio AlphaFold per il ripiegamento delle proteine o AlphaTensor per la moltiplicazione di matrici, che sono appunto addestrati e focalizzati su un singolo dominio della conoscenza umana.

Con AlphaEvolve l'ambizione è stata quella di realizzare "un'IA general-purpose che può aiutare la ricerca in qualsiasi problema di programmazione o algoritmico".

AlphaEvolve, tuttavia, è più dinamico. DeepMind afferma che AlphaEvolve è un'AI general-purpose che può aiutare la ricerca in qualsiasi problema di programmazione o algoritmo.

Questa flessibilità ha permesso ai ricercatori di configurare la maggior parte degli esperimenti in poche ore.

Risultati concreti nell'infrastruttura Google

L'azienda di Mountain View ha già iniziato ad usare AlphaEvolve in diverse delle sue attività con risultati positivi: il nuovo agente IA è stato messo alla prova  sul sistema di gestione dei cluster Borg che Google usa per i suoi data center.

AlphaEvolve ha suggerito una modifica alle euristiche di pianificazione che, una volta implementata, ha permesso al colosso di MountainView di risparmiare lo 0,7% delle risorse di calcolo a livello globale. La soluzione proposta da AlphaEvolve, inoltre, è in codice facilmente comprensibile dai supervisori umani, che gli ingegneri possono interpretare, correggere e implementare.

Se il risparmio di risorse di calcolo può sembrare poco, in percentuale, va altresì tenuto presente che per una società delle dimensioni di Google si tratta di un significativo risparmio finanziario. 

Miglioramenti nell'hardware e nell'addestramento AI

AlphaEvolve è stato utilizzato anche per individuare possibili ottimizzazioni per i processori Tensor di prossima generazione: DeepMind afferma che l'agente IA ha suggerito una modifica al linguaggio di descrizione Verilog del processore, che ha eliminato bit non necessari in un circuito dedicato alla moltiplicazione di matrici.

Un altro ambito in cui AlphaEvolve è stato messo alla prova è l'individuazione di modi più efficienti per addestrare i modelli Gemini. L'agente IA di DeepMind ha trovato modi più efficienti per suddividere un'operazione di moltiplicazione di matrici di grandi dimensioni in sotto-problemi più gestibili, riuscendo a velocizzare questo genere di operazioni nell'architettura Gemini del 23%, portando a una riduzione dell'1% dei tempi di addestramento di Gemini.

Progressi in matematica e problemi aperti

La moltiplicazione di matrici è un banco di prova utilizzato da DeepMind anche per cercare nuove soluzioni a problemi matematici ancora aperti o per trovare soluzioni più efficienti a problemi già affrontati. Il metodo più efficiente per moltiplicare matrici complesse 4×4 fu ideato dal matematico Volker Strassen nel 1969, ed è rimasto invariato per diversi decenni. AlphaEvolve ha però individuato un algoritmo più efficiente, tra l'altro ancor migliore di quanto suggerito dal già citato AlphaTensor, il cui addestramento è stato specifico su questo campo.

AlphaEvolve è stato inoltre capace di trovare una nuova soluzione al problema del numero baciante, cioè la determinazione di quante sfere della stessa dimensione possono toccare una sfera centrale senza sovrapporsi.

Accesso futuro e potenziali sviluppi

Le sperimentazioni di AlphaEvolve sono state condotte per ora solo internamente a Google, per via della complessità del nuovo agente IA che lo rende al momento non adatto per una disponibilità pubblica. Google ha però  annunciato che AlphaEvolve sarà disponibile attraverso un programma di accesso anticipato per "istituzioni accademiche selezionate" prima di essere reso disponibile più ampiamente.