AlphaEvolve de Google recupera el 0,7 % de su cómputo global y resuelve un problema matemático de hace 55 años

AlphaEvolve de Google DeepMind no es una demostración de laboratorio. Ya está funcionando en producción en Google y los resultados son concretos: el 0,7 % de los recursos de cómputo mundiales de Google recuperados de forma continua, un 23 % de aceleración en el kernel de entrenamiento de Gemini y, por primera vez desde 1969, un algoritmo que supera el método de Strassen para multiplicar matrices complejas de 4×4.

Cómo funciona. AlphaEvolve combina Gemini Flash y Gemini Pro en un bucle evolutivo. Flash genera candidatos con rapidez. Pro evalúa y refina los mejores. Evaluadores automáticos puntúan cada algoritmo propuesto con criterios verificables. El sistema itera, evolucionando soluciones en lugar de recuperarlas. Esta arquitectura es lo que separa a AlphaEvolve de los agentes de código basados en LLM que generan código en un único pase.

Los datos de infraestructura. La heurística de programación de centros de datos que AlphaEvolve descubrió para Borg —el sistema de gestión de clústeres de Google— lleva más de un año en producción. En cada momento, libera el equivalente al 0,7 % de toda la huella de cómputo global de Google. Ese porcentaje parece pequeño, pero a escala de Google equivale a millones de tareas adicionales completadas con el mismo hardware cada día. El kernel Pallas del entrenamiento de Gemini se aceleró un 23 % y las operaciones de FlashAttention mejoraron un 32,5 %.

El avance matemático. AlphaEvolve se aplicó a más de 50 problemas abiertos en análisis matemático, geometría, combinatoria y teoría de números, mejorando las mejores soluciones conocidas en el 20 % de los casos. El resultado más llamativo: la multiplicación de matrices complejas de 4×4 ahora requiere 48 multiplicaciones escalares en lugar de 49. El algoritmo de Strassen de 1969 había resistido como óptimo en esa configuración durante 55 años. AlphaEvolve también elevó la cota inferior del número de beso en 11 dimensiones de 592 a 593 y generó nuevos teoremas en teoría de la complejidad al descubrir estructuras de gadget demasiado complejas para que los matemáticos las encontraran de forma manual.

La cuestión del acceso. AlphaEvolve no está disponible públicamente. Los investigadores académicos pueden solicitar acceso anticipado. Google describe el sistema como un motor de descubrimiento de algoritmos de propósito general, aplicable al descubrimiento de fármacos, la ciencia de materiales y la sostenibilidad, aunque esas aplicaciones siguen en fase de investigación. Lo que está demostrado, hoy mismo, es la optimización de infraestructuras y el descubrimiento matemático.

La implicación más amplia: los sistemas de IA ya no solo producen sugerencias para que los humanos evalúen. AlphaEvolve generó de forma autónoma mejoras de infraestructura de nivel productivo que llevan más de un año ejecutándose a la escala de Google. La distancia entre “herramienta de IA” y “colega de IA” se está cerrando más rápido de lo que la mayoría de los equipos de ingeniería percibe.

Fuente: Blog de Google DeepMind