Google показала AlphaEvolve: AI-агент уже улучшает алгоритмы для генетики, логистики и чипов

Google DeepMind опубликовала большой отчёт о том, где за год пригодился AlphaEvolve — AI-агент на базе Gemini, который не просто пишет код, а ищет более эффективные алгоритмы под конкретную проверку. Компания приводит результаты из генетики, энергосетей, квантовых вычислений, проектирования TPU, базы данных Spanner, логистики и коммерческих пилотов Google Cloud.

Если убрать рекламную упаковку, новость важна вот чем: один из самых сильных аргументов в пользу AI-агентов теперь звучит не как «он сам сделал презентацию», а как «он улучшил работающий алгоритм, и это проверяется метрикой». Для бизнеса, науки и инфраструктуры это куда серьёзнее очередного красивого чат-бота.

Что такое AlphaEvolve

AlphaEvolve — это агент для алгоритмической оптимизации. Пользователь задаёт проблему, исходную программу и способ проверки результата: например, расстояние маршрута, ошибку модели, скорость симуляции или расход вычислений. Gemini предлагает варианты кода, система автоматически прогоняет их через оценщик, лучшие решения становятся базой для следующих попыток.

В человеческом переводе это похоже на очень упрямого инженера-экспериментатора: он бесконечно меняет правила, запускает тесты и оставляет только то, что реально улучшило показатель. Поэтому AlphaEvolve особенно хорошо подходит не для задач «напиши что-нибудь», а для задач, где есть объективная линейка: быстрее, дешевле, точнее, меньше ошибок, меньше энергии, короче маршрут.

Именно здесь AI-агенты выглядят взрослее. В обычной офисной автоматизации качество часто расплывчато: текст вроде нормальный, письмо вроде отправлено, таблица вроде заполнена. В алгоритмах и инфраструктуре результат можно проверить жёстко. Если новый алгоритм хуже — он не проходит.

Где Google уже нашла пользу

В новом отчёте Google DeepMind перечисляет несколько направлений. В геномике AlphaEvolve использовали для улучшения DeepConsensus — модели Google Research для исправления ошибок секвенирования ДНК. Компания заявляет о снижении ошибок обнаружения вариантов на 30%, что помогает PacBio точнее и дешевле анализировать генетические данные.

В энергосетях систему применили к задаче AC Optimal Power Flow — поиску допустимых режимов работы электрической сети. По данным Google, AlphaEvolve поднял способность обученной графовой нейросети находить допустимые решения с 14% до более 88%, уменьшая потребность в дорогой последующей обработке.

В земных науках агент помог автоматизировать оптимизацию моделей риска природных катастроф и дал плюс 5% к общей точности прогнозов по 20 категориям, включая пожары, наводнения и торнадо. Это не звучит как магия, зато похоже на реальный слой пользы: не «AI заменил учёных», а «AI быстрее перебирает инженерные варианты там, где человеку дорого вручную».

Почему это касается не только лабораторий

Самый показательный блок — инфраструктура Google. Компания пишет, что AlphaEvolve стал регулярным инструментом для оптимизации следующего поколения TPU. По словам Джеффа Дина, система предложила контринтуитивный, но эффективный вариант схемы, который был интегрирован в кремний будущих TPU. Это сильная формулировка: AI помогает проектировать железо, на котором потом будут работать новые AI-модели.

AlphaEvolve также нашёл более эффективные политики замены кэша и за два дня сделал то, что раньше требовало месяцев человеческой работы. Для Google Spanner агент улучшил эвристику уплотнения Log-Structured Merge-tree и снизил write amplification на 20%. Проще говоря, база данных стала меньше писать лишних данных в хранилище на тот же пользовательский запрос.

Это важнее, чем кажется. Когда AI-инфраструктура дорожает, даже небольшие проценты эффективности превращаются в деньги, энергию и доступность сервисов. Если агент помогает экономить на уровне чипов, баз данных и планирования вычислений, он становится не игрушкой для разработчика, а частью промышленной оптимизации.

Коммерческий сигнал: агент как станок для улучшения процессов

Google Cloud уже продаёт AlphaEvolve как сервис раннего доступа для компаний. В отчёте приведены примеры из разных отраслей: Klarna, по заявлению Google, удвоила скорость обучения одной из крупных transformer-моделей при сохранении или улучшении качества; Substrate ускорила вычислительную литографию для полупроводников; Schrödinger получил примерно 4-кратное ускорение обучения и вывода моделей силовых полей для химии и материалов.

Отдельно Google Cloud описывает кейс FM Logistic. На складе в Польше с более чем 17 700 точками отбора AlphaEvolve улучшил маршрутизацию операторов на 10,4% относительно уже оптимизированного решения. В годовом масштабе это означает более 15 000 километров лишнего перемещения, которых можно избежать.

Для обычного читателя здесь главный вывод простой: AI-агент полезен там, где компания может сформулировать задачу как проверяемый цикл. Не «сделай бизнес лучше», а «найди маршрут короче», «снизь ошибку», «ускорь симуляцию», «уменьши записи в хранилище». Чем лучше бизнес умеет измерять процесс, тем больше шансов, что такой агент даст практический результат.

Что это меняет в гонке AI-агентов

Рынок AI-агентов часто перегрет обещаниями. Одни агенты застревают в браузере, другие ломают простые инструкции, третьи требуют столько контроля, что экономия исчезает. AlphaEvolve показывает другой путь: сузить задачу до области, где каждую попытку можно автоматически оценить, и позволить модели делать тысячи проверяемых итераций.

Это не универсальный искусственный сотрудник. И это хорошо. Универсальность в корпоративном AI часто превращается в туман. Здесь ценность появляется именно из ограничений: есть код, есть тест, есть симуляция, есть численная метрика, есть отбор лучших вариантов.

Такой подход может стать одним из главных маршрутов внедрения AI в науку и промышленность. Не через громкую замену людей, а через ускорение поиска решений в местах, где вариантов слишком много: молекулы, маршруты, микросхемы, расписания, модели риска, оптимизация дата-центров.

Мнение редакции Neuro.ee

AlphaEvolve интересен не потому, что Google снова красиво назвала внутренний инструмент. Интересен сам тип прогресса: AI начинает работать как двигатель перебора и отбора в реальных системах, где результат можно проверить, а не только оценить на вкус.

Это, возможно, более зрелая форма агентности, чем модные офисные ассистенты. Чат-бот может убедительно ошибаться. Агент, который проходит через строгий оценщик, ошибается дешевле: плохой вариант просто не выживает. Поэтому следующий большой слой AI-пользы может появиться не там, где модель имитирует человека, а там, где она быстрее человека перебирает проверяемые инженерные решения.