Conheça o AlphaEvolve, a IA do Google que escreve seu próprio código — e acabou de economizar milhões em custos de computação.

Google DeepMind hoje revelou AlphaEvolve, um agente de inteligência artificial capaz de inventar novos algoritmos de computador — e colocá-los em funcionamento dentro do vasto império computacional da empresa.

AlphaEvolve combina os grandes modelos de linguagem Gemini do Google com uma abordagem evolucionária que testa, refina e melhora algoritmos automaticamente. O sistema já foi implementado em toda a infraestrutura de data centers, designs de chips e sistemas de treinamento de IA do Google — aumentando a eficiência e resolvendo problemas matemáticos que intrigaram pesquisadores por décadas.

“AlphaEvolve é um agente de codificação de IA impulsionado pelo Gemini capaz de fazer novas descobertas em computação e matemática,” explicou Matej Balog, pesquisador do Google DeepMind, em uma entrevista ao VentureBeat. “Ele pode descobrir algoritmos de complexidade notável — abrangendo centenas de linhas de código com estruturas lógicas sofisticadas que vão muito além de funções simples.”

O sistema expande dramaticamente o trabalho anterior do Google com FunSearch ao evoluir conjuntos de código inteiros em vez de funções únicas. Representa um grande avanço na capacidade da IA de desenvolver algoritmos sofisticados tanto para desafios científicos quanto para problemas computacionais do dia a dia.

Dentro do aumento de eficiência de 0,7% do Google: Como algoritmos criados por IA gestionam os data centers da empresa

AlphaEvolve tem trabalhado silenciosamente dentro do Google por mais de um ano. Os resultados já são significativos.

Um algoritmo que descobriu está impulsionando Borg, o imenso sistema de gestão de cluster do Google. Essa heurística de agendamento recupera uma média de 0,7% dos recursos computacionais mundiais do Google continuamente — um ganho de eficiência impressionante na escala do Google.

A descoberta visa diretamente os “recursos perdidos” — máquinas que esgotaram um tipo de recurso (como memória) enquanto ainda têm outros disponíveis (como CPU). A solução do AlphaEvolve é especialmente valiosa porque produz código simples e legível por humanos que os engenheiros podem facilmente interpretar, depurar e implantar.

O agente de IA não parou nos data centers. Ele reescreveu parte do design de hardware do Google, encontrando uma maneira de eliminar bits desnecessários em um circuito aritmético crucial para Unidades de Processamento Tensor (TPUs). Os designers de TPU validaram a mudança quanto à correção, e agora ela está a caminho de um design de chip futuro.

Talvez o mais impressionante, AlphaEvolve melhorou os próprios sistemas que o sustentam. Ele otimizou um núcleo de multiplicação de matriz usado para treinar modelos Gemini, alcançando uma aceleração de 23% para essa operação e reduzindo o tempo total de treinamento em 1%. Para sistemas de IA que treinam em grades computacionais massivas, esse ganho de eficiência se traduz em economias substanciais de energia e recursos.

“Tentamos identificar peças críticas que podem ser aceleradas e ter o máximo impacto possível,” disse Alexander Novikov, outro pesquisador do DeepMind, em uma entrevista ao VentureBeat. “Conseguimos otimizar o tempo de execução prático de [um núcleo vital] em 23%, o que se traduziu em 1% de economia de ponta a ponta em todo o cartão de treinamento Gemini.”

Quebrando o recorde de multiplicação de matrizes de 56 anos de Strassen: IA resolve o que humanos não conseguiram

AlphaEvolve resolve problemas matemáticos que perplexaram especialistas humanos por décadas enquanto avança sistemas existentes.

O sistema projetou um novo procedimento de otimização baseado em gradientes que descobriu múltiplos novos algoritmos de multiplicação de matrizes. Uma descoberta quebrou um recorde matemático que estava vigente há 56 anos.

“O que encontramos, para nossa surpresa, para ser honesto, é que AlphaEvolve, apesar de ser uma tecnologia mais geral, obteve resultados ainda melhores do que AlphaTensor,” disse Balog, referindo-se ao sistema especializado de multiplicação de matriz do DeepMind. “Para essas matrizes 4 por 4, AlphaEvolve encontrou um algoritmo que supera o algoritmo de Strassen de 1969 pela primeira vez nesse contexto.”

A quebra de recorde permite que duas matrizes complexas 4×4 sejam multiplicadas usando 48 multiplicações escalares em vez de 49 — uma descoberta que eludiu matemáticos desde o trabalho marcante de Volker Strassen. Segundo o artigo de pesquisa, AlphaEvolve “melhora o estado da arte para 14 algoritmos de multiplicação de matrizes.”

O alcance matemático do sistema se estende muito além da multiplicação de matrizes. Quando testado contra mais de 50 problemas abertos em análise matemática, geometria, combinatória e teoria dos números, AlphaEvolve igualou soluções de ponta em cerca de 75% dos casos. Em aproximadamente 20% dos casos, melhorou as melhores soluções conhecidas.

Uma vitória ocorreu no “problema do número de beijos” — um desafio geométrico centenário para determinar quantas esferas unitárias não sobrepostas podem tocar simultaneamente uma esfera central. Em 11 dimensões, AlphaEvolve encontrou uma configuração com 593 esferas, quebrando o recorde anterior de 592.

Como funciona: Modelos de linguagem Gemini mais evolução criam uma fábrica digital de algoritmos

O que torna o AlphaEvolve diferente de outros sistemas de codificação de IA é sua abordagem evolucionária.

O sistema utiliza tanto Gemini Flash (para velocidade) quanto Gemini Pro (para profundidade) para propor alterações ao código existente. Essas mudanças são testadas por avaliadores automatizados que pontuam cada variação. Os algoritmos de maior sucesso então orientam a próxima rodada de evolução.

AlphaEvolve não apenas gera código a partir de seus dados de treinamento. Ele explora ativamente o espaço de soluções, descobre abordagens novas e as refina por meio de um processo de avaliação automatizado — criando soluções que os humanos poderiam nunca ter concebido.

“Uma ideia crítica em nossa abordagem é que nos concentramos em problemas com avaliadores claros. Para qualquer solução ou parte de código proposta, podemos verificar automaticamente sua validade e medir sua qualidade,” explicou Novikov. “Isso nos permite estabelecer ciclos de feedback rápidos e confiáveis para melhorar o sistema.”

Essa abordagem é particularmente valiosa porque o sistema pode trabalhar em qualquer problema com uma métrica de avaliação clara — seja eficiência energética em um data center ou a elegância de uma prova matemática.

De computação em nuvem a descoberta de medicamentos: Onde a IA inventora de algoritmos do Google vai a seguir

Embora atualmente implementado na infraestrutura e pesquisa matemática do Google, o potencial do AlphaEvolve vai muito além. O Google DeepMind imagina aplicações em ciências dos materiais, descoberta de medicamentos e outros campos que exigem soluções algorítmicas complexas.

“A melhor colaboração entre humanos e IA pode ajudar a resolver desafios científicos abertos e também aplicá-los em escala do Google,” disse Novikov, destacando o potencial colaborativo do sistema.

O Google DeepMind está agora desenvolvendo uma interface com sua equipe People + AI Research e planeja lançar um Programa de Acesso Antecipado para pesquisadores acadêmicos selecionados. A empresa também está explorando a disponibilização mais ampla.

A flexibilidade do sistema marca uma vantagem significativa. Balog observou que “pelo menos anteriormente, quando trabalhei na pesquisa em aprendizado de máquina, não era minha experiência que você poderia construir uma ferramenta científica e imediatamente ver impacto no mundo real nessa escala. Isso é bastante incomum.”

À medida que os grandes modelos de linguagem avançam, as capacidades do AlphaEvolve também crescerão ao lado deles. O sistema demonstra uma evolução intrigante na IA — começando dentro dos limites digitais dos servidores do Google, otimizando o próprio hardware e software que lhe dá vida, e agora alcançando problemas que têm desafiado a inteligência humana por décadas ou séculos.