Se presenta Google DeepMind AlphaEvolve El 14 de mayo, un agente de IA impulsado por Gemini descubre y optimiza algoritmos de forma autónoma en ámbitos teóricos y prácticos. Entre sus logros clave se incluyen la ruptura de un récord de 56 años en multiplicación de matrices, el desarrollo de soluciones para problemas matemáticos sin resolver, como el "número de beso" de 11 dimensiones, y la obtención de mejoras de eficiencia mensurables en la propia infraestructura de Google, que abarcan desde la programación de centros de datos hasta el diseño de chips y el entrenamiento de modelos a gran escala. El sistema aprovecha un ciclo evolutivo de propuesta y evaluación, combinando la velocidad de Gemini Flash con la profundidad de Gemini Pro, y marca un paso significativo hacia la innovación científica e industrial impulsada por la IA.
Antecedentes y contexto
AlphaEvolve se basa en los éxitos previos de DeepMind en el descubrimiento de algoritmos impulsados por IA, especialmente AlfaTensor, que en 2022 superó por primera vez el algoritmo de Strassen para la multiplicación de matrices 4×4. A diferencia de sus predecesores, AlphaEvolve está diseñado como un propósito general agente capaz de desarrollar bases de código completas en lugar de funciones individuales, extendiendo la invención generada por IA desde tareas aisladas a flujos de trabajo algorítmicos amplios.
Avances clave de AlphaEvolve
Batiendo un récord de multiplicación de matrices de 56 años de antigüedad
- Multiplicación de matrices complejas de 4×4:AlphaEvolve descubrió un algoritmo que requiere 48 multiplicaciones escalares en lugar de las 49 exigidas por el enfoque histórico de Strassen de 1969, una hazaña que los matemáticos habían buscado durante más de cinco décadas.
- Mejoras generalesEn total, AlphaEvolve mejoró 14 configuraciones distintas de multiplicación de matrices, superando rutinariamente tanto los métodos creados manualmente como los métodos derivados de IA anteriores.
Nuevas soluciones a problemas matemáticos abiertos
- Problema del número del beso (11 dimensiones):La IA elevó el límite inferior conocido de 592 a 593 esferas que tocan una esfera central, un incremento pero demostrablemente novedoso Avanzar en un desafío geométrico centenario.
- Encuesta sobre más de 50 problemas:Cuando se aplicó a dominios de análisis, combinatoria, geometría y teoría de números, AlphaEvolve replicó el estado del arte el 75 por ciento de las veces y mejorado sobre soluciones existentes en aproximadamente el 20 por ciento de los casos.
Enfoque técnico
El flujo de trabajo principal de AlphaEvolve consta de:
- Generación de propuestas a través de Gemini Flash para una exploración amplia y Gemini Pro para un razonamiento profundo.
- Evaluación automatizada, donde los programas verificadores comprueban rigurosamente tanto la corrección como el rendimiento de cada candidato.
- Selección evolutiva, conservando las variantes con mayor puntuación e iterando hasta que surjan soluciones óptimas o casi óptimas.
Este bucle transforma grandes modelos de lenguaje en una “fábrica de algoritmos” que adopta principios de la computación evolutiva y de teoremas automatizados que demuestran que impulsan una innovación genuina en lugar de una mera paráfrasis del código existente.
Impacto en el mundo real
Infraestructura y ganancias de eficiencia
- Programación del centro de datos:Se logró un 1 por ciento mejora en la eficiencia de la orquestación, lo que se traduce en importantes ahorros de energía y costos a escala de Google.
- Núcleo de entrenamiento LLM:Se optimizó un núcleo de multiplicación de matrices clave utilizado en el entrenamiento de modelos Gemini, entregando un 23 por ciento acelerar esa operación y reducir el tiempo total de capacitación. 1 por ciento—lo que equivale a millones de dólares en ahorros computacionales anualmente.
Exploración Científica
Más allá del despliegue interno, DeepMind planea lanzar un Programa de acceso anticipado para investigadores académicos seleccionados, lo que permite una exploración más amplia en ciencia de materiales, descubrimiento de fármacos y otros campos que demandan soluciones algorítmicas complejas.
Perspectivas y desafíos futuros
Si bien los avances en dominios específicos hasta la fecha son impresionantes, los expertos advierten que ampliar el enfoque evolutivo de AlphaEvolve a problemas científicos cada vez más complejos y de múltiples etapas requerirá nuevas innovaciones en el diseño de verificadores y la confiabilidad de los modelos. No obstante, los resultados demostrados Sinergia entre IA y humanos En el planteamiento de problemas, la validación y el refinamiento iterativo se abre un camino prometedor hacia el descubrimiento aumentado con IA a una escala inalcanzable para los humanos solos.
Conclusión
AlphaEvolve representa un hito en el diseño de algoritmos basados en IA, al combinar la amplitud creativa de los grandes modelos lingüísticos con la búsqueda evolutiva rigurosa y la verificación formal. Al ofrecer avances teóricos, como la mejora de los límites matemáticos, y mejoras tangibles en la eficiencia de las operaciones de Google, AlphaEvolve subraya el potencial transformador de descubrimiento científico automatizadoMientras DeepMind se prepara para abrir sus puertas a investigadores externos, la comunidad en general puede esperar colaboraciones sin precedentes en la frontera de la IA y la ciencia.
Primeros Pasos
CometAPI proporciona una interfaz REST unificada que integra cientos de modelos de IA, incluida la familia de IA Gemini, en un punto final consistente, con gestión de claves API integrada, cuotas de uso y paneles de facturación. En lugar de tener que lidiar con múltiples URL y credenciales de proveedores.
Los desarrolladores pueden acceder API pre-Flash de Gemini 2.5 etc a través de CometAPIPara comenzar, explore las capacidades del modelo en el Playground y consulte la Guía de API para obtener instrucciones detalladas.