Google DeepMind ha annunciato AlphaEvolve, un agente che scrive e migliora codice in autonomia, combinando i modelli linguistici della famiglia Gemini con un processo ispirato all’evoluzione biologica. Non è un assistente che aspetta istruzioni: parte da un algoritmo esistente, genera varianti, le testa, scarta quelle peggiori e ricomincia, finché non trova qualcosa di meglio. Il sistema è già operativo dentro Google — nei data center, nel design dei chip e nell’addestramento dei modelli stessi.
Il meccanismo funziona in coppia: Gemini Flash produce rapidamente tante soluzioni candidate, mentre Gemini Pro approfondisce le più promettenti con maggiore potenza computazionale. Ogni proposta viene valutata da un modulo automatico che assegna un punteggio, e i candidati migliori finiscono in un archivio da cui si riparte per il ciclo successivo. Il tutto gira in modo distribuito e asincrono, senza bisogno di supervisione umana continua. A differenza di predecessori come AlphaFold o AlphaTensor, progettati per domini specifici, AlphaEvolve funziona su qualsiasi problema che possa essere espresso come codice e valutato da un altro pezzo di codice. Questa generalità è la caratteristica che lo distingue davvero dai sistemi precedenti.
I risultati concreti già ottenuti dentro Google sono misurabili. Un componente chiave usato per addestrare Gemini — l’operazione di moltiplicazione matriciale — è stato reso più veloce del 23%, con una riduzione dell’1% sul tempo totale di addestramento. Nei data center, AlphaEvolve ha trovato un modo migliore di distribuire i calcoli tra i server, recuperando in media lo 0,7% delle risorse computazionali globali di Google — che, alla scala di un’infrastruttura mondiale, equivale a centinaia di migliaia di macchine. Ha anche proposto modifiche ai circuiti aritmetici del prossimo chip TPU di Google, scritte direttamente nel linguaggio standard usato dagli ingegneri hardware. Per il kernel FlashAttention, usato nei modelli basati su architettura Transformer, ha ottenuto un’accelerazione del 32,5%.
Sul fronte scientifico, AlphaEvolve ha affrontato oltre cinquanta problemi matematici aperti in aree diverse — geometria, combinatoria, teoria dei numeri. Nel 75% dei casi ha ritrovato le soluzioni già note; nel 20% le ha migliorate, aprendo nuovi risultati su problemi irrisolti. Tra questi c’è l’algoritmo di moltiplicazione tra matrici 4×4 a valori complessi, migliorato rispetto al metodo di Strassen del 1969 — un record rimasto intatto per 56 anni. Il matematico Terence Tao, premio Fields, ha collaborato con il team e ha commentato: “Tools such as AlphaEvolve are giving mathematicians very useful new capabilities.” Fuori da Google, la società di logistica FM Logistic ha ottenuto un miglioramento del 10,4% nell’efficienza dei percorsi, risparmiando oltre 15.000 chilometri all’anno. Schrödinger, attiva nelle scienze della vita, ha registrato un’accelerazione di quattro volte nei propri modelli di simulazione molecolare. Nel settore energetico, la capacità del sistema di trovare soluzioni praticabili per la gestione ottimale delle reti elettriche è passata dal 14% all’88%.
AlphaEvolve è disponibile attraverso un programma ad accesso anticipato su Google Cloud. La direzione è quella di un sistema che migliora man mano che i modelli linguistici sottostanti diventano più capaci — e la traiettoria dell’ultimo anno suggerisce che il ritmo non rallenterà. Quello che cambia, rispetto a qualsiasi strumento di automazione precedente, è che qui la macchina non esegue istruzioni umane: trova da sola strade che gli esperti non avevano considerato, e le verifica in modo formalmente corretto. Se questa capacità continuerà ad espandersi ad altri campi, dalla crittografia alla scoperta di farmaci, il modo in cui la ricerca scientifica produce nuova conoscenza potrebbe cambiare strutturalmente nel giro di pochi anni.
