Google näitas AlphaEvolve’i: AI-agent parandab juba algoritme geneetikas, logistikas ja kiipides

Google DeepMind avaldas mahuka ülevaate sellest, kus AlphaEvolve — Gemini põhine AI-agent — on aasta jooksul kasulikuks osutunud. See agent ei kirjuta lihtsalt koodi, vaid otsib konkreetse kontrolli jaoks tõhusamaid algoritme. Google toob näiteid geneetikast, elektrivõrkudest, kvantarvutusest, TPU-de projekteerimisest, Spanneri andmebaasist, logistikatest ja Google Cloudi kommertspilootidest.

Kui reklaamikiht kõrvale jätta, on uudise tuum selge: üks tugevamaid argumente AI-agentide kasuks ei kõla enam nagu „ta tegi ise esitluse“, vaid nagu „ta parandas töötavat algoritmi ja seda saab mõõdikuga kontrollida“. Äri, teaduse ja taristu jaoks on see palju tõsisem kui järjekordne ilus vestlusrobot.

Mis on AlphaEvolve

AlphaEvolve on agent algoritmiliseks optimeerimiseks. Kasutaja annab probleemi, lähteprogrammi ja viisi tulemuse hindamiseks: näiteks marsruudi pikkuse, mudeli vea, simulatsiooni kiiruse või arvutuskulu. Gemini pakub koodivariante, süsteem jooksutab need automaatselt hindajast läbi ja parimad lahendused saavad järgmiste katsete aluseks.

Inimkeeles sarnaneb see väga järjekindla insener-eksperimenteerijaga: ta muudab lõputult reegleid, käivitab teste ja jätab alles ainult selle, mis mõõdikut päriselt parandas. Seetõttu sobib AlphaEvolve eriti hästi mitte ülesanneteks „kirjuta midagi“, vaid kohtadesse, kus on objektiivne mõõdulint: kiiremini, odavamalt, täpsemalt, vähem vigu, vähem energiat, lühem marsruut.

Just siin näevad AI-agendid küpsemad välja. Tavalises kontoriautomaatikas on kvaliteet sageli hägune: tekst tundub normaalne, kiri justkui saadetud, tabel justkui täidetud. Algoritmides ja taristus saab tulemust kontrollida rangelt. Kui uus algoritm on halvem, ei läbi ta kontrolli.

Kus Google juba kasu leidis

Uues ülevaates loetleb Google DeepMind mitu suunda. Genoomikas kasutati AlphaEvolve’i DeepConsensus’e parandamiseks — Google Researchi mudelit DNA sekveneerimisvigade korrigeerimiseks. Ettevõtte sõnul vähenes variantide tuvastamise vigade arv 30%, mis aitab PacBiol geneetilisi andmeid täpsemalt ja odavamalt analüüsida.

Elektrivõrkudes rakendati süsteemi AC Optimal Power Flow ülesandele ehk elektrivõrgu lubatud töörežiimide leidmisele. Google’i andmetel tõstis AlphaEvolve õpitud graafilise närvivõrgu võimet leida lubatud lahendusi 14%-lt üle 88%, vähendades vajadust kalli järeltöötluse järele.

Maa- ja kliimateadustes aitas agent automatiseerida looduskatastroofide riskimudelite optimeerimist ning andis 20 kategooria, sealhulgas tulekahjude, üleujutuste ja tornaadode prognoosides umbes 5% üldise täpsuse kasvu. See ei kõla maagiana, kuid näeb välja nagu päris kasukiht: mitte „AI asendas teadlased“, vaid „AI käib kiiremini läbi insenerivariante seal, kus inimesel on seda käsitsi kallis teha“.

Miks see ei puuduta ainult laboreid

Kõige kõnekam osa on Google’i enda taristu. Ettevõte kirjutab, et AlphaEvolve’ist on saanud regulaarne tööriist järgmise põlvkonna TPU-de optimeerimisel. Jeff Deani sõnul pakkus süsteem vastuintuitiivse, kuid tõhusa skeemivariandi, mis integreeriti tulevaste TPU-de ränisse. See on tugev sõnastus: AI aitab projekteerida riistvara, millel hakkavad hiljem töötama uued AI-mudelid.

AlphaEvolve leidis ka tõhusamaid vahemälu asenduspoliitikaid ja tegi kahe päevaga töö, mis varem võttis inimestel kuid. Google Spanneris parandas agent Log-Structured Merge-tree tihendamise heuristikat ja vähendas write amplification’it 20%. Lihtsamalt: andmebaas kirjutab sama kasutajapäringu kohta vähem liigseid andmeid salvestusse.

See on olulisem, kui esmapilgul paistab. Kui AI-taristu kallineb, muutuvad isegi väikesed efektiivsusprotsendid rahaks, energiaks ja teenuste kättesaadavuseks. Kui agent aitab säästa kiipide, andmebaaside ja arvutuste planeerimise tasemel, pole ta enam arendaja mänguasi, vaid tööstusliku optimeerimise osa.

Kommertssignaal: agent kui protsesside parandamise masin

Google Cloud müüb AlphaEvolve’i juba varajase ligipääsu teenusena ettevõtetele. Ülevaates on näiteid eri valdkondadest: Google’i väitel kahekordistas Klarna ühe suure transformer-mudeli treeningukiirust kvaliteeti säilitades või parandades; Substrate kiirendas pooljuhtide arvutuslikku litograafiat; Schrödinger sai keemia ja materjalide jõuväljamudelite treeningus ja inferentsis umbes neljakordse kiirenduse.

Eraldi kirjeldab Google Cloud FM Logistici juhtumit. Poolas asuvas laos, kus oli üle 17 700 korjekoha, parandas AlphaEvolve operaatorite marsruutimist 10,4% võrreldes juba optimeeritud lahendusega. Aasta lõikes tähendab see üle 15 000 kilomeetri liigset liikumist, mida saab vältida.

Tavalise lugeja jaoks on siin põhiline järeldus lihtne: AI-agent on kasulik seal, kus ettevõte suudab ülesande sõnastada kontrollitava tsüklina. Mitte „tee äri paremaks“, vaid „leia lühem marsruut“, „vähenda viga“, „kiirenda simulatsiooni“, „vähenda salvestusse kirjutamist“. Mida paremini äri protsessi mõõdab, seda suurem on võimalus, et selline agent annab praktilise tulemuse.

Mida see AI-agentide võidujooksus muudab

AI-agentide turg on sageli lubadustest ülekuumenenud. Ühed agendid takerduvad brauseris, teised rikuvad lihtsaid juhiseid, kolmandad vajavad nii palju kontrolli, et sääst kaob. AlphaEvolve näitab teist teed: kitsendada ülesanne valdkonnani, kus iga katset saab automaatselt hinnata, ja lasta mudelil teha tuhandeid kontrollitavaid iteratsioone.

See ei ole universaalne tehislik töötaja. Ja see on hea. Universaalsus ettevõtete AI-s muutub sageli uduks. Siin tekib väärtus just piirangutest: on kood, test, simulatsioon, numbriline mõõdik ja parimate variantide valik.

Selline lähenemine võib saada üheks peamiseks AI juurutamise teeks teaduses ja tööstuses. Mitte läbi valju inimeste asendamise, vaid läbi lahenduste otsingu kiirendamise kohtades, kus variante on liiga palju: molekulid, marsruudid, mikroskeemid, graafikud, riskimudelid ja andmekeskuste optimeerimine.

Neuro.ee toimetuse arvamus

AlphaEvolve ei ole huvitav sellepärast, et Google andis sisemisele tööriistale taas ilusa nime. Huvitav on progressi tüüp ise: AI hakkab töötama otsingu- ja valikumootorina päris süsteemides, kus tulemust saab kontrollida, mitte ainult maitse järgi hinnata.

See võib olla agentluse küpsem vorm kui moekad kontoriassistendid. Vestlusrobot võib veenvalt eksida. Agent, mis läbib range hindaja, eksib odavamalt: halb variant lihtsalt ei jää ellu. Seetõttu võib järgmine suur AI-kasu kiht ilmuda mitte sinna, kus mudel imiteerib inimest, vaid sinna, kus ta käib inimesest kiiremini läbi kontrollitavaid insenerilahendusi.