Google DeepMind ha compiuto un nuovo passo nel campo dell’intelligenza artificiale con AlphaEvolve, un agente AI in grado di affrontare e risolvere problemi matematici e informatici di lunga data meglio degli esseri umani. Basato sulla famiglia di modelli linguistici Gemini 2.0, AlphaEvolve genera codice per una vasta gamma di compiti, ottimizzando le soluzioni attraverso un processo iterativo che seleziona, scarta, migliora e perfeziona ogni proposta.
“Potete vederlo come una sorta di super agente di codifica,” afferma Pushmeet Kohli, vicepresidente di Google DeepMind e responsabile dei team AI for Science. “Non si limita a proporre un pezzo di codice, ma produce un risultato che forse nessuno conosceva.”
Indice degli argomenti:
AlphaEvolve di DeepMind: da teoria a impatto concreto
Il potenziale di AlphaEvolve va oltre la teoria: DeepMind ha dichiarato che l’algoritmo ideato dall’AI viene già utilizzato in tutti i data center Google da oltre un anno, migliorando l’allocazione dei compiti ai server e liberando lo 0,7% delle risorse computazionali globali. A scala Google, si tratta di un impatto notevole.
Come funziona AlphaEvolve di DeepMind
AlphaEvolve funziona in modo evolutivo: si parte dalla descrizione del problema e, se disponibile, da soluzioni precedenti. Il modello Gemini 2.0 Flash, la versione più veloce, genera molteplici frammenti di codice. Ogni soluzione è testata e valutata su criteri come accuratezza ed efficienza. Le migliori vengono affinate, le peggiori scartate. In caso di stallo, si interviene con Gemini 2.0 Pro, più potente ma più lento.
Questo ciclo di generazione, valutazione e rigenerazione continua finché il sistema non riesce più a superare i risultati già ottenuti.
Dalla moltiplicazione di matrici ai chip
AlphaEvolve è stato messo alla prova su più di 50 problemi matematici noti, tra cui:
- Analisi di Fourier (fondamentale per la compressione dati),
- Problema della minima sovrapposizione (Paul Erdős, 1955),
- Numeri del bacio (Newton, con applicazioni nella crittografia e nella scienza dei materiali).
In 75% dei casi ha eguagliato i migliori risultati esistenti; in 20% li ha superati. In particolare, ha migliorato il record di AlphaTensor nella moltiplicazione di matrici 4×4, e ha prodotto algoritmi validi anche per matrici contenenti numeri diversi da 0 e 1.
“Il risultato sulla moltiplicazione di matrici è molto impressionante,” ha dichiarato Jakob Moosbauer, matematico dell’Università di Warwick. “Questo nuovo algoritmo ha il potenziale per velocizzare concretamente i calcoli.”
Applicazioni reali di AlphaEvolve di DeepMind nei data center e nei chip TPU
Oltre al record matematico, AlphaEvolve ha trovato:
- Un nuovo algoritmo per gestire le risorse computazionali nei data center
- Una soluzione per ridurre il consumo energetico dei chip Tensor Processing Unit (TPU) di Google
- Un metodo per accelerare l’addestramento dei modelli Gemini
Secondo Matej Balog, leader del team di discovery algoritmica a DeepMind: “Gli algoritmi governano il mondo che ci circonda, quindi l’impatto di ciò è enorme.”
Un’eredità che parte da AlphaTensor
AlphaEvolve è l’erede diretto di precedenti successi targati DeepMind:
- AlphaTensor (2022): ha trovato un nuovo metodo per moltiplicare matrici, battendo un record che durava da 50 anni.
- AlphaDev (2023): ha ottimizzato operazioni base eseguite trilioni di volte al giorno dai computer.
- FunSearch (fine 2023): ha impiegato LLM per risolvere problemi matematici generando codice e ha risolto un famoso problema irrisolto in matematica pura.
AlphaEvolve si distingue per la capacità di scrivere programmi lunghi centinaia di righe, rendendolo adatto a una più ampia varietà di sfide computazionali.
AlphaEvolve di DeepMind: limiti e questioni aperte
Tuttavia, AlphaEvolve non è applicabile a problemi che richiedono una valutazione soggettiva, come esperimenti di laboratorio. Inoltre, non fornisce spiegazioni teoriche sui risultati ottenuti, un limite per chi vuole approfondire la comprensione umana dei problemi. “È fantastico vedere che stiamo facendo progressi nella comprensione della moltiplicazione di matrici”, ha affermato Manuel Kauers, matematico dell’Università Johannes Kepler. “Ogni tecnica che aiuta è un contributo benvenuto.”
AlphaEvolve DeepMind: verso una nuova era della ricerca scientifica
Il lavoro su AlphaEvolve proseguirà. Secondo Kohli: “Non abbiamo ancora finito. C’è ancora molto da esplorare in termini di potenza di questo approccio.”
Strumenti come AlphaEvolve promettono di rivoluzionare il modo in cui si fa scienza, trasformando l’AI in un alleato essenziale per i ricercatori, in grado di superare gli esseri umani non solo in velocità e precisione, ma anche nella creatività algoritmica.
