Njihuni me AlphaEvolve, AI-ja e Google që shkruan vetë kodin dhe sapo kurseu miliona në kosto kompjuterike

Google DeepMind sot i dha fund AlphaEvolve, një agjent i inteligjencës artificiale që mund të shpikë algoritme të reja kompjuterike dhe më pas t’i vërë ato menjëherë në punë brenda perandorisë së gjerë kompjuterike të kompanisë.

AlphaEvolve çiftëzon modelet e mëdha gjuhësore Gemini të Google me një qasje evolucionare që teston, rafinon dhe përmirëson algoritmet automatikisht. Sistemi është vendosur tashmë në qendrat e të dhënave, dizajnet e çipave dhe sistemet e trajnimit të inteligjencës artificiale të Google – duke rritur efikasitetin dhe duke zgjidhur probleme matematikore që i kanë penguar studiuesit për dekada të tëra.

“AlphaEvolve është një agjent kodimi i mundësuar nga Gemini AI që është në gjendje të bëjë zbulime të reja në informatikë dhe matematikë”, shpjegoi Matej Balog, një studiues në Google DeepMind, në një intervistë me VentureBeat. “Mund të zbulojë algoritme me kompleksitet të jashtëzakonshëm që përfshijnë qindra rreshta kodi me struktura logjike të sofistikuara që shkojnë shumë përtej funksioneve të thjeshta.”

Sistemi zgjeron në mënyrë dramatike punën e mëparshme të Google me FunSearch duke evoluar baza të tëra kodesh në vend të funksioneve të vetme. Ai përfaqëson një hap të madh në aftësinë e IA-së për të zhvilluar algoritme të sofistikuara si për sfidat shkencore ashtu edhe për problemet e përditshme të informatikës.

AlphaEvolve ka punuar në heshtje brenda Google për më shumë se një vit. Rezultatet janë tashmë të rëndësishme.

Një algoritëm që zbuloi ka qenë duke fuqizuar Borg-un, sistemin masiv të menaxhimit të klasterave të Google-it. Ky heuristik planifikimi rikuperon mesatarisht 0.7% të burimeve kompjuterike të Google-it në mbarë botën vazhdimisht – një fitim marramendës në efikasitet në shkallën e Google-it.

Zbulimi synon drejtpërdrejt “burimet e bllokuara” – makinat që kanë mbaruar një lloj burimi (si memoria) ndërsa ende kanë të tjerë (si CPU). Zgjidhja e AlphaEvolve është veçanërisht e vlefshme sepse prodhon kod të thjeshtë, të lexueshëm nga njeriu, të cilin inxhinierët mund ta interpretojnë, debugojnë dhe vendosin lehtësisht.

Agjenti i inteligjencës artificiale nuk është ndalur vetëm në qendrat e të dhënave. Ai rishkruan një pjesë të dizajnit të harduerit të Google, duke gjetur një mënyrë për të eliminuar bitët e panevojshëm në një qark aritmetik thelbësor për Njësitë e Përpunimit Tensor (TPU). Dizajnerët e TPU-së e vërtetuan ndryshimin për saktësi dhe tani po shkon drejt një dizajni të ardhshëm të çipit.

Ndoshta më mbresëlënëse është se AlphaEvolve përmirësoi vetë sistemet që fuqizojnë veten. Ai optimizoi një bërthamë shumëzimi matricor të përdorur për të trajnuar modelet Gemini, duke arritur një shpejtësi prej 23% për atë operacion dhe duke shkurtuar kohën e përgjithshme të trajnimit me 1%. Për sistemet e IA-së që trajnohen në rrjete masive llogaritëse, ky fitim në efikasitet përkthehet në kursime të konsiderueshme të energjisë dhe burimeve.

“Ne përpiqemi të identifikojmë pjesë kritike që mund të përshpejtohen dhe të kenë sa më shumë ndikim të jetë e mundur”, tha Alexander Novikov, një tjetër studiues i DeepMind, në një intervistë me VentureBeat. “Ne ishim në gjendje të optimizonim kohën praktike të ekzekutimit të [një bërthame jetësore] me 23%, gjë që përkthehet në 1% kursime nga fillimi në fund në të gjithë kartën e trajnimit Gemini.”

AlphaEvolve zgjidh probleme matematikore që i kanë lënë në baltë ekspertët njerëzorë për dekada, ndërkohë që përparon sistemet ekzistuese.

Sistemi projektoi një procedurë të re optimizimi të bazuar në gradient që zbuloi algoritme të shumta të reja të shumëzimit të matricave. Një zbulim rrëzoi një rekord matematikor që kishte qëndruar për 56 vjet.

“Ajo që zbuluam, për habinë tonë, për të qenë të sinqertë, është se AlphaEvolve , pavarësisht se është një teknologji më e përgjithshme, mori rezultate edhe më të mira se AlphaTensor ”, tha Balog, duke iu referuar sistemit të mëparshëm të specializuar të shumëzimit të matricave të DeepMind. “Për këto matrica katër me katër, AlphaEvolve gjeti një algoritëm që tejkalon algoritmin e Strassen nga viti 1969 për herë të parë në atë mjedis.”

Ky zbulim i madh lejon që dy matrica 4×4 me vlera komplekse të shumëzohen duke përdorur 48 shumëzime skalare në vend të 49 – një zbulim që u kishte shpëtuar matematikanëve që nga puna historike e Volker Strassen. Sipas punimit kërkimor, AlphaEvolve “përmirëson gjendjen e artit për 14 algoritme shumëzimi të matricave”.

Shtrirja matematike e sistemit shtrihet përtej shumëzimit të matricave. Kur u testua kundrejt mbi 50 problemeve të hapura në analizën matematikore, gjeometrinë, kombinatorikën dhe teorinë e numrave, AlphaEvolve përputhej me zgjidhjet më të fundit në rreth 75% të rasteve. Në afërsisht 20% të rasteve, ai përmirësoi zgjidhjet më të njohura.

Një fitore erdhi në “problemin e numrit të puthjes” – një sfidë gjeometrike shekullore për të përcaktuar se sa sfera njësie jo-mbivendosëse mund të prekin njëkohësisht një sferë qendrore. Në 11 dimensione, AlphaEvolve gjeti një konfigurim me 593 sfera, duke thyer rekordin e mëparshëm prej 592.

Ajo që e bën AlphaEvolve të ndryshëm nga sistemet e tjera të kodimit të IA-së është qasja e saj evolucionare.

Sistemi përdor si Gemini Flash (për shpejtësi) ashtu edhe Gemini Pro (për thellësi) për të propozuar ndryshime në kodin ekzistues. Këto ndryshime testohen nga vlerësues të automatizuar që vlerësojnë çdo variant. Algoritmet më të suksesshme më pas udhëheqin raundin tjetër të evolucionit.

AlphaEvolve nuk gjeneron vetëm kod nga të dhënat e trajnimit. Ai eksploron në mënyrë aktive hapësirën e zgjidhjeve, zbulon qasje të reja dhe i përsos ato përmes një procesi të automatizuar vlerësimi — duke krijuar zgjidhje që njerëzit mund të mos i kenë konceptuar kurrë.

“Një ide kritike në qasjen tonë është që ne të përqendrohemi në problemet me vlerësues të qartë. Për çdo zgjidhje ose pjesë kodi të propozuar, ne mund ta verifikojmë automatikisht vlefshmërinë e saj dhe të masim cilësinë e saj”, shpjegoi Novikov. “Kjo na lejon të krijojmë sythe reagimi të shpejta dhe të besueshme për të përmirësuar sistemin.”

Kjo qasje është veçanërisht e vlefshme sepse sistemi mund të punojë në çdo problem me një metrikë të qartë vlerësimi – qoftë efikasiteti i energjisë në një qendër të dhënash apo eleganca e një prove matematikore.

Ndërkohë që aktualisht është i vendosur brenda infrastrukturës dhe kërkimit matematikor të Google, potenciali i AlphaEvolve shkon shumë më tej. Google DeepMind parashikon zbatime në shkencat e materialeve, zbulimin e barnave dhe fusha të tjera që kërkojnë zgjidhje komplekse algoritmike.

“Bashkëpunimi më i mirë njeri-IA mund të ndihmojë në zgjidhjen e sfidave të hapura shkencore dhe gjithashtu në zbatimin e tyre në shkallën e Google”, tha Novikov, duke theksuar potencialin bashkëpunues të sistemit.

Google DeepMind po zhvillon tani një ndërfaqe përdoruesi me ekipin e saj të Kërkimit të Njerëzve + IA-së dhe planifikon të lançojë një Program Qasjeje të Hershme për studiues akademikë të përzgjedhur. Kompania po eksploron gjithashtu disponueshmëri më të gjerë.

Fleksibiliteti i sistemit shënon një avantazh të rëndësishëm. Balog vuri në dukje se “të paktën më parë, kur punoja në kërkimin e të mësuarit automatik, nuk ishte përvoja ime që mund të ndërtoje një mjet shkencor dhe të shihje menjëherë ndikimin në botën reale në këtë shkallë. Kjo është mjaft e pazakontë”.

Ndërsa modelet e mëdha gjuhësore përparojnë, aftësitë e AlphaEvolve do të rriten paralelisht me to. Sistemi demonstron një evolucion interesant në vetë IA-në – duke filluar brenda kufijve dixhitalë të serverëve të Google, duke optimizuar vetë harduerin dhe softuerin që i jep jetë, dhe tani duke u shtrirë jashtë për të zgjidhur problemet që kanë sfiduar intelektin njerëzor për dekada ose shekuj.