Google DeepMind ha sviluppato AlphaEvolve, un sistema di intelligenza artificiale progettato per individuare autonomamente algoritmi e soluzioni computazionali attraverso un processo iterativo di generazione, verifica e selezione del codice. L’architettura, descritta nella ricerca AlphaEvolve: A Coding Agent for Scientific and Algorithmic Discovery, combina modelli linguistici di grandi dimensioni con tecniche di programmazione evolutiva, permettendo di esplorare configurazioni algoritmiche differenti e conservarne le varianti più efficienti. A differenza dei metodi di perfezionamento dei modelli basati prevalentemente su dataset supervisionati o preferenze umane, AlphaEvolve utilizza valutatori automatici capaci di misurare direttamente le prestazioni delle soluzioni prodotte. Il sistema opera principalmente su problemi per i quali è possibile definire una funzione di verifica oggettiva, come il numero di operazioni richieste da un algoritmo, il tempo di esecuzione o l’efficienza nell’impiego delle risorse hardware.
Il funzionamento inizia da un programma esistente che viene modificato progressivamente attraverso interventi proposti dai modelli Gemini 2.0 Flash e Gemini 2.0 Pro. Le modifiche vengono generate come diff, ovvero differenze strutturate tra versioni successive del codice, e possono riguardare singole istruzioni, funzioni, cicli di elaborazione o parametri algoritmici. Ogni candidato viene eseguito in un ambiente di valutazione, dal quale vengono ricavati punteggi numerici associati alla qualità della soluzione. Un controllore distribuito coordina l’esplorazione, registra i risultati in un database evolutivo e utilizza i programmi più efficaci come riferimenti per le generazioni successive. Tra le tecniche adottate figura MAP-Elites, un metodo che conserva soluzioni performanti appartenenti a categorie differenti, evitando di concentrare l’intera ricerca su un unico percorso di ottimizzazione.
L’architettura integra inoltre meccanismi di superottimizzazione del codice e adattamento dei prompt, attraverso i quali possono essere perfezionate anche le istruzioni utilizzate dai modelli per proporre nuove varianti. La procedura comprende funzioni di regolarizzazione e componenti destinate a mantenere una sufficiente diversità delle soluzioni candidate. Rispetto al Reinforcement Learning from Human Feedback, che utilizza valutazioni umane per orientare l’addestramento verso comportamenti preferiti, AlphaEvolve affida la selezione a risultati verificabili mediante l’esecuzione del programma. L’obiettivo non è semplicemente modificare il comportamento di un modello, ma ottenere implementazioni algoritmiche nuove e misurabilmente migliori.
Tra i risultati matematici presentati figura un algoritmo per la moltiplicazione di matrici complesse 4×4 che richiede 48 moltiplicazioni scalari, rispetto alle 49 associate al precedente risultato di riferimento del 1969. La soluzione è stata individuata attraverso l’esplorazione di decomposizioni tensoriali alternative. AlphaEvolve è stato inoltre valutato su oltre cinquanta problemi aperti appartenenti a settori come combinatoria, teoria dei numeri e geometria. In circa il 75% dei casi ha raggiunto risultati comparabili con i migliori disponibili, mentre in circa il 20% ha ottenuto miglioramenti. Tra i problemi affrontati figurano quello della sovrapposizione minima di Erdős, configurazioni di impacchettamento geometrico e il problema dei numeri di contatto in undici dimensioni.
Le applicazioni hanno riguardato anche le infrastrutture computazionali di Google. Nell’organizzazione dei carichi di lavoro nei data center, una nuova euristica ha consentito di recuperare lo 0,7% delle risorse computazionali precedentemente inutilizzabili. Per l’addestramento di Gemini, una strategia di suddivisione delle operazioni matriciali ha migliorato del 23% la velocità di un kernel, contribuendo a ridurre dell’1% il tempo complessivo di addestramento. AlphaEvolve ha inoltre individuato semplificazioni della logica aritmetica a livello Register-Transfer Level, successivamente verificate dagli ingegneri e integrate nella progettazione delle TPU di nuova generazione. Ulteriori interventi sulle rappresentazioni intermedie del compilatore XLA hanno permesso di ridurre del 32% il tempo di inferenza GPU per specifiche implementazioni di FlashAttention.
La caratteristica centrale di AlphaEvolve è la possibilità di utilizzare i risultati delle verifiche per alimentare cicli successivi di ricerca, compresa l’ottimizzazione delle infrastrutture che supportano i modelli linguistici impiegati dal sistema. Questa forma circoscritta di miglioramento ricorsivo dimostra la possibilità di automatizzare parti della scoperta algoritmica, pur rimanendo vincolata a problemi formalizzabili, funzioni di valutazione disponibili e architetture computazionali definite. Non costituisce quindi una dimostrazione del raggiungimento dell’intelligenza artificiale generale, ma un risultato concreto nell’automazione della progettazione e dell’ottimizzazione degli algoritmi.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
