AlphaEvolve: A coding agent for scientific and algorithmic discovery
Разбор AlphaEvolve от Google DeepMind: эволюционный coding agent на Gemini, автоматизированная оценка решений и результаты в инфраструктуре, ML и алгоритмах.
Практика чтения для этого источника ещё не опубликована
Ниже доступен готовый редакционный brief из прежнего каталога. Он даёт контекст, но не засчитывается как lab.
Открыть оригиналГотовый редакционный разбор
Он сохранён из прежней версии каталога и расположен после самостоятельной практики, чтобы не подменять чтение оригинала готовым пересказом.
Whitepaper
AlphaEvolve (Google DeepMind, May 2025)
Техническая статья на 44 страницы о Gemini-powered агенте для поиска продвинутых алгоритмов.
Whitepaper
AlphaEvolve (Google DeepMind, May 2025)
Техническая статья на 44 страницы о Gemini-powered агенте для поиска продвинутых алгоритмов.
Рубрика #AI. Глава собрана по материалам Google DeepMind и обзору в tg-канале: AlphaEvolve показывает, как перейти от узкоспециализированных пайплайнов к более гибкому agentic-поиску алгоритмов с измеримым инженерным эффектом.
Первая страница whitepaper (клик по изображению откроет PDF).
Основа главы
Пост в tg-канале book_cube (#3526)
Короткий обзор архитектуры AlphaEvolve, результатов и исследовательской линии развития.
Основа главы
Пост в tg-канале book_cube (#3526)
Короткий обзор архитектуры AlphaEvolve, результатов и исследовательской линии развития.
Как устроен AlphaEvolve
Gemini Flash
Быстрый контур генерации с низкой задержкой: максимум гипотез и программных вариантов за единицу времени.
Gemini Pro
Более мощный контур, который периодически предлагает high-quality идеи для прорывных решений.
Эволюционная модификация кода
Агенты предлагают и модифицируют программы в коде, а система итеративно оставляет и развивает самые сильные кандидаты.
Автоматизированная оценка
Код запускается и оценивается по objective-метрикам (fitness), что делает прогресс системным и измеримым.
Ключевая формулировка paper: "The LLM-directed evolution process is grounded using code execution and automatic evaluation."
Результаты, на которые ссылается статья
Повышение эффективности дата-центров
Borg: +0.7% глобальных ресурсов
AlphaEvolve предложил эвристику для оркестратора Borg, которая в среднем непрерывно возвращает около 0.7% вычислительных ресурсов Google.
Оптимизация чипов
TPU / Verilog rewrite
Система предложила переписать Verilog-код, убрав избыточные биты в арифметической схеме умножения матриц. Изменения интегрированы в новую версию TPU.
Ускорение обучения LLM
до +23% / около -1% времени обучения
AlphaEvolve ускорил ключевой компонент архитектуры Gemini на 23%, что привело к снижению общего времени обучения Gemini примерно на 1%.
Новый алгоритм умножения матриц
4x4 complex / 48 scalar multiplications
Обнаружен алгоритм умножения комплексных матриц 4x4 всего с 48 скалярными умножениями, что улучшает прежние результаты, включая классический ориентир 1969 года.
Команда исследования
Равный вклад (8 исследователей)
- Alexander Novikov
- Ngan Vu
- Marvin Eisenberger
- Emilien Dupont
- Po-Sen Huang
- Adam Zsolt Wagner
- Sergey Shirobokov
- Borislav Kozlovskii
Другие авторы
- Francisco J. R. Ruiz
- Abbas Mehrabian
- M. Pawan Kumar
- Abigail See
- Swarat Chaudhuri
- George Holland
- Alex Davies
- Sebastian Nowozin
- Pushmeet Kohli
- Matej Balog
Команда объединяет экспертизу в ML, алгоритмической оптимизации и математическом моделировании.
Где такой подход работает лучше всего
- Задача формулируется в коде и имеет измеримый objective (latency, FLOPS, usage, loss, cost).
- Есть автоматическая проверка корректности и качества кандидата (tests/benchmarks/validators).
- Поиск решения допускает эволюционный перебор и многократные итерации без ручной валидации каждого шага.
- Команда может встроить найденные гипотезы в production-контур и проверить реальный системный эффект.
Линия развития: от AlphaZero к AlphaEvolve
AI Co-scientist (2025)
Мультиагентная система на базе Gemini 2.0 для генерации новых гипотез и исследовательских предложений.
AlphaZero (2018)
База RL-подхода и self-play оптимизации, из которой выросли следующие поколения систем.
AlphaTensor (2022)
Система от DeepMind для автоматического поиска новых алгоритмов умножения матриц через deep RL.
Практические выводы для engineering-команд
- Паттерн `быстрый контур + сильный контур` хорошо работает, когда нужно параллелить поиск идей и периодически делать качественные скачки.
- Ключ к управляемости агентной оптимизации: автоматические evaluators и единая fitness-функция, которые делают прогресс проверяемым.
- Человек остаётся архитектором цикла: задаёт рамки поиска, критерии успеха и правила внедрения найденных решений в production.
- Подход применим шире ML: любые algorithmic optimization задачи с формальной проверкой и измеримым результатом подходят под такой контур.
Связанные главы
RIMS #11 - AI Code Assistants & Agents
Связанный выпуск о практиках оценки ассистентов и агентных сценариев в инженерных командах.
Impact of Early-2025 AI on Productivity
Эмпирика по влиянию AI-инструментов на скорость и качество разработки у опытных разработчиков.
All Models are Wrong But Some are Useful
Принципы измерения продуктивности, которые помогают корректно оценивать системные эффекты AI.