AlphaEvolve - теперь сервис доступен всем на Google Cloud

Многие из самых сложных и ценных задач в мире связаны с оптимизацией. Теперь же искусственный интеллект делает эти задачи решаемыми. Если вы когда-либо пытались спроектировать микрочип, спланировать сеть доставки или оптимизировать архитектуру обучения для большой модели ИИ , вы знаете, как сложно найти наиболее оптимизированный код. Традиционные методы кодирования часто не могут исследовать все возможные алгоритмы и реализации, потому что пространство поиска просто слишком велико. Чтобы помочь, в прошлом году Google Cloud представили AlphaEvolve в закрытом режиме предварительного просмотра — агента, который поможет вам разрабатывать более совершенные алгоритмы в Google Cloud. 

Что нового: Сегодня AlphaEvolve стал общедоступным (GA) на платформе Gemini Enterprise Agent Platform . AlphaEvolve — это агент оптимизации и поиска кода, построенный на основе Gemini, который помогает решать самые сложные алгоритмические задачи и добиваться прорывов для вашего бизнеса и исследований. В рамках программы раннего доступа он был протестирован в различных областях, таких как логистика, полупроводники, геномика, высокопроизводительные вычисления и финансовые услуги. Он систематически исследует пространство поиска, чтобы найти решения, оптимизированные для вашей задачи.

Внедрение AlphaEvolve в вашей среде осуществляется в соответствии со структурированным четырехэтапным процессом, разработанным для перехода от первоначального определения проблемы к полностью оптимизированному коду, пригодному для использования в производственной среде:

• Определение: Предоставьте базовый алгоритм и описание задачи, а также контекстные сведения, которые помогут понять, какую проблему вы хотите решить.

• Методика оценки: Разработайте систему оценки для объективной оценки программ-кандидатов по одному или нескольким показателям, важным для решения ваших задач, таким как правильность, производительность и операционные ограничения.

• Оптимизация: Используйте инструментарий AlphaEvolve для генерации оптимизированного кода, специально оптимизированного по метрикам функции оценки, установленной на этапе измерения.

• Применение: Разверните полученный, высокооптимизированный алгоритм непосредственно в ваших производственных нагрузках и инфраструктуре.

В этой статье Google Cloud расскажет, как организации уже видят результаты применения AlphaEvolve и как вы можете начать работу с этим решением. 

Как организации используют AlphaEvolve 

AlphaEvolve вырос из исследовательского проекта в ключевой инструмент, который мы используем в Google. Теперь его используют и некоторые из самых инновационных организаций мира для решения своих алгоритмических задач.

BASF: Создание цифрового двойника для оптимизации глобальных цепочек поставок.
«Мы несколько раз пытались создать цифровой двойник для нашей сложной сети поставок, используя детерминированные модели, и все они потерпели неудачу. Благодаря AlphaEvolve мы теперь можем не только отображать сложную сеть на основе системных данных, но и одновременно понимать и воспроизводить решения, принимаемые людьми, которые определяют нашу повседневную деятельность. Это дает нам высокоточный и простой в обслуживании цифровой двойник всей сети, основанный на данных». — Д-р Гетц Краббе, вице-президент по глобальным цепочкам поставок, BASF .   

Посетите блог , чтобы узнать больше о том, как компания BASF использовала AlphaEvolve для улучшения существующих моделей планирования и прогнозирования более чем на 80%.

Coolblue: Оптимизация прогнозирования спроса в электронной коммерции
«Специалисты по обработке данных Coolblue использовали AlphaEvolve для прямой оптимизации своего 28-дневного конвейера прогнозирования спроса, сосредоточившись на автоматизированном проектировании признаков, предварительной обработке целевых данных и выборе модели. Всего за несколько (200) итераций AlphaEvolve улучшил наш прогноз производства (за счет снижения WMAPE по сравнению с существующим решением) более чем на 5%. Эти достижения были получены благодаря улучшенному проектированию признаков, ансамблю различных регрессионных моделей и лучшей предварительной обработке целевых данных, предложенной и проверенной AlphaEvolve. Для обеспечения достаточного наличия запасов крайне важно, чтобы прогноз спроса был точным как в краткосрочной перспективе (первые 7 дней), так и в долгосрочной перспективе (всего 28 дней). AlphaEvolve добился этого, используя метрику оценки, которая объединяет оба периода, а также строгий штраф за недооценку. AlphaEvolve доказал свою способность значительно улучшать решения о оптовых закупках и помогать нам поддерживать оптимальный уровень запасов на ближайшие недели». — Кас Ругер, специалист по обработке данных в Coolblue .

FM Logistic: Оптимизация маршрутизации на складе
. « Благодаря нашему партнерству с Google Cloud и внедрению AlphaEvolve и Gemini мы дополнительно оптимизировали наш подход к маршрутизации для быстро оборачиваемых грузов. Улучшение на 10,4% было достигнуто на основе уже высокооптимизированного базового показателя, где обычно трудно добиться дальнейших улучшений. Это напрямую приводит к ускорению выполнения заказов, улучшению условий труда для наших сотрудников и снижению износа нашего автопарка ». — Родольф Бей , главный ИТ-директор группы компаний FM Logistic .

Посетите блог и веб-сайт , чтобы узнать больше о том, как FM Logistic использовала AlphaEvolve для оптимизации маршрутизации складских операций на 10,4%, сэкономив более 15 000 км на поездках персонала.

Infineon: Оптимизация проектирования микросхем
. « Наши первоначальные эксперименты с AlphaEvolve оказались очень позитивными, продемонстрировав ее потенциал для преобразования жизненного цикла проектирования микросхем. Мы видим явный потенциал для ее использования на различных этапах разработки, включая такие области, как моделирование с использованием суррогатов». — Майкл Коллиг, директор по информационным технологиям, Infineon .

JetBrains: Ускорение производительности IDE
. « AlphaEvolve может изменить наш подход к сложной работе по оптимизации производительности. Он превращает оптимизации, которые раньше требовали слишком много времени для изучения, в варианты, которые мы можем тестировать регулярно. Инженеры по-прежнему отвечают за бенчмаркинг, проверку и принятие решения о выпуске. Сужается лишь пространство поиска ». — Дмитрий Баткович, директор по разработке, JetBrains . 

Посетите блог , чтобы узнать больше о том, как компания Jetbrains использовала AlphaEvolve для повышения производительности своей IDE более чем на 15-20%.

Kinaxis: Совершенствование систем оптимизации и прогнозирования.
«Исследователи Kinaxis использовали AlphaEvolve для существенного улучшения как скорости, так и качества высокоразвитых алгоритмов прогнозирования и оптимизации. На ранних этапах тестирования мы добились улучшения более чем на 22% по ключевым показателям точности прогнозирования, одновременно сократив время выполнения более чем на 90% на эталонных наборах данных. Поскольку цепочки поставок становятся все более сложными и непредсказуемыми, AlphaEvolve потенциально может помочь крупнейшим мировым организациям принимать более быстрые и обоснованные решения и адаптироваться с большей уверенностью». — Гелу Тикала, технический директор Kinaxis. 

Посетите блог , чтобы узнать больше о том, как компания Kinaxis использовала AlphaEvolve для достижения значительных улучшений в показателях прогнозирования и времени выполнения.

Klarna: Удвоение пропускной способности при одновременном улучшении качества модели.

« Компания Klarna применила AlphaEvolve к одному из своих крупнейших конвейеров обучения машинного обучения и удвоила пропускную способность, одновременно улучшив качество модели, при этом соблюдая строгие ограничения по воспроизводимости, характерные для регулируемых финансовых услуг. За три недели система исследовала почти 6000 программ-кандидатов, обнаружив глубокие архитектурные изменения, на которые ни один инженер не решился бы ». — Команда инженеров Klarna.

Посетите блог , чтобы узнать больше о том, как Klarna использовала AlphaEvolve для удвоения скорости обучения и повышения производительности своих базовых моделей.

Kuro Games: Оптимизация на стороне сервера
«В Kuro Games наш главный принцип заключается в том, что ИИ должен не просто ускорять нашу работу, а улучшать её. AlphaEvolve — это реальное подтверждение этого принципа. Мы применили его к сложной задаче оптимизации бэкэнда и увидели существенное повышение производительности в конкретных серверных нагрузках. AlphaEvolve справляется с той работой по оптимизации, которую лучше всего выполняют машины, поэтому наши инженеры могут сосредоточиться на том, что могут делать только люди: создании великолепных игр». — Лин Ченчен, технический директор Kuro Games

Национальная лаборатория Ок-Ридж: генерация ядер для графических процессоров для эксаскейловых вычислений. В рамках
партнерства Google DeepMind с Министерством энергетики США в рамках программы Genesis Mission предоставляется ранний доступ к нашим инструментам искусственного интеллекта для научных исследований.

«Недавно Национальная лаборатория Ок-Ридж (ORNL) в партнерстве с Google развернула AlphaEvolve на Frontier, первом в мире суперкомпьютере экзамасштабного уровня. Исследовательская группа разработала архитектуру замкнутого цикла оценки, которая связывает генерацию кода для больших языковых моделей на основе облачных вычислений с средой выполнения Frontier. Разработанная система оптимизирует ядра GPU со смешанной точностью — что требует сложных, взаимосвязанных решений относительно памяти, размещения данных и аппаратной синхронизации — путем итеративной генерации, компиляции, запуска и проверки программ-кандидатов непосредственно на графических процессорах AMD суперкомпьютера. Эта исполняемая поисковая система оценивает каждую предложенную структурную оптимизацию на соответствие правилам численной точности.»

«Наше сотрудничество с командой AlphaEvolve от Google позволило нам на раннем этапе оценить возможности сочетания эволюционного программирования с суперкомпьютерами высшего класса. Запустив AlphaEvolve на платформе Frontier, мы параллельно исследовали большое количество вариантов оптимизации, включая новые варианты реализации, которые помогли нам изучить те области проектного пространства, до которых мы могли бы не добраться с помощью одной лишь ручной оптимизации. Это обнадеживающий первый шаг к применению оптимизации с помощью ИИ к все более сложному научному программному обеспечению». — Оскар Эрнандес Мендоса, доктор философии, старший научный сотрудник в области компьютерных наук, ORNL

Университет Олд Доминион: Моделирование показателей смертности при биологическом старении.
«Лаборатория Цинь в Университете Олд Доминион использовала AlphaEvolve для поиска в пространстве программ на Python, моделирующих показатели смертности при биологическом старении — задачу в вычислительной биогеронтологии, где управляющие уравнения охватывают несколько эмпирических законов. Используя кластер высокопроизводительных вычислений в Google Cloud в рамках инициативы ODU MonarchSphere, AlphaEvolve — примерно за 500 оценок — независимо заново открыла логистическую модель смертности Каннисто (опубликованный результат из литературы по биогеронтологии 1990-х годов) без предварительного знания этой литературы, улучшила составной показатель пригодности модели Emergent Aging Model на 19% за счет гетерогенных распределений скорости распада и продемонстрировала почти идеальную корреляцию Стрелера-Милдвана (0,949) через топологию безмасштабной сети с лапласианским спектральным старением примерно за 500 оценок. Главный вывод заключается в том, что структурно разнообразные модели сходятся к одним и тем же эмпирическим законам старения, что свидетельствует о том, что Гомперц, Закономерности Стрелера-Милдвана и Каннисто являются устойчивыми аттракторами биологических систем. Команда планирует расширить эту работу на многовидовые наборы данных и связать эволюционировавшие программные структуры с проверяемыми биологическими механизмами». — Доктор Хонг Цинь, кафедра компьютерных наук, Университет Олд Доминион.

PacBio: Повышение точности и снижение затрат в геномике.
«Решение, найденное командой Google с помощью AlphaEvolve, позволяет добиться значительно более высокой точности секвенирования на наших приборах. Для исследователей эти данные более высокого качества могут позволить обнаружить ранее скрытые мутации, вызывающие заболевания». — Аарон Венгер, старший директор PacBio .

Посетите блог , чтобы узнать больше о том, как Pacbio использовала AlphaEvolve для улучшения DeepConsensus — модели, разработанной Google Research для исправления ошибок секвенирования ДНК, — добившись 30%-ного снижения ошибок обнаружения вариантов.

Pebble: Оптимизация производительности обслуживания на графических процессорах.
«Оптимизация обслуживания при выполнении инференции — невероятно сложная задача, поскольку это многомерная задача проектирования системы, которая динамически меняется в зависимости от ограничений памяти, вычислительных ресурсов и аппаратного обеспечения. Модель задержки конфигуратора ИИ NVIDIA была серьезно ограничена единственным статическим эмпирическим поправочным коэффициентом 0,8, который применялся единообразно ко всем рабочим нагрузкам и не моделировал расхождение в эффективности FP8 и BF16, из-за чего рекомендуемые конфигурации отклонялись от оптимальных. AlphaEvolve решила эту проблему, автономно обнаружив формулировки моделирования производительности графических процессоров непосредственно из нашего обучающего материала. Этот эволюционный подход на базе Gemini значительно сократил ошибки нашей модели, обеспечив более чем 56% относительного снижения ошибок. Мы рады интегрировать эту более плавную, обученную функцию эффективности и использовать AlphaEvolve для непрерывного сопоставления новых аппаратных характеристик без ручной настройки». — Кевал Шах, руководитель отдела ИИ, Pebble

QBraid: Развитие квантовых вычислений.
«AlphaEvolve дала результат, основанный на семействе кодировок, над совершенствованием которого мы работали годами. Она провела поиск в пространстве проектирования, слишком большом для ручного анализа, и вернула нам данные, которые мы могли прочитать, проверить и понять. Системы, подобные AlphaEvolve, значительно ускорят прогресс в области полезных квантовых вычислений». — Кенни Хейтриттер, вице-президент по исследованиям и разработкам в qBraid . 

Посетите блог и ознакомьтесь с статьей , чтобы узнать больше о том, как Qbraid использовала AlphaEvolve для создания значительно более эффективных по ошибкам кодов коррекции ошибок для квантовой химии.

Schrödinger: Сокращение циклов молекулярного моделирования для разработки лекарств.
«AlphaEvolve позволяет нам исследовать более обширные химические пространства быстрее и эффективнее, чем когда-либо прежде. Более быстрое получение результатов MLFF имеет реальное влияние на бизнес, сокращая циклы исследований и разработок в области разработки лекарств, проектирования катализаторов и создания материалов, а также позволяя компаниям проводить скрининг молекулярных кандидатов за дни, а не за месяцы». — Габриэль Маркес, руководитель направления ML-технологий, Schrödinger . 

Посетите блог , чтобы узнать больше о том, как компания Schröedinger использовала AlphaEvolve для увеличения скорости молекулярных открытий в четыре раза.

Substrate: Ускорение времени выполнения моделирования полупроводниковых технологий.
«AlphaEvolve значительно повысила скорость и эффективность наших вычислительных литографических фреймворков и, что еще более впечатляет, продемонстрировала потенциал этих моделей для проектирования своего будущего «я», вплоть до атомов». — Джеймс Прауд, генеральный директор Substrate . 

Посетите блог , чтобы узнать больше о том, как компания Substrate применила AlphaEvolve к своей платформе вычислительной литографии, добившись многократного увеличения скорости выполнения и получив возможность запускать значительно более масштабные симуляции современных полупроводников.

WPP: Расшифровка кода успеха кампании.

« Компания WPP столкнулась с ограничением в прогнозировании эффективности креативных кампаний, поскольку их ручная оптимизация моделей дала лишь незначительное повышение точности на 1%, несмотря на значительные затраты времени и усилий. Чтобы преодолеть эту проблему, исследовательская группа WPP использовала AlphaEvolve для автономного предложения, оценки и уточнения вариантов архитектуры моделей, вместо того чтобы полагаться на медленные ручные эксперименты. Эта агентная структура эффективно обошла ограничения метода проб и ошибок, успешно справившись со сложными, многомерными данными кампаний и дисбалансом классов. В результате WPP добилась значительного увеличения точности прогнозирования и оценок рекомендаций на 5–10% (в различных сценариях использования), превзойдя все предыдущие базовые модели, включая нейронные и доработанные модели Gemma » . — Анастасиос Цуртис, ведущий специалист по анализу данных, WPP .

Посетите блог , чтобы узнать больше о том, как WPP использовала AlphaEvolve для оптимизации моделей машинного обучения для цифровых маркетинговых кампаний, обеспечив повышение точности прогнозирования на 10% и улучшение оценок рекомендаций до 7%.

Укрепление собственной инфраструктуры и научных исследований.

Помимо развертывания на внешних серверах, Google интегрировала AlphaEvolve в качестве основного механизма для масштабирования собственной передовой инфраструктуры. Как подробно описано в отчете Google DeepMind , AlphaEvolve успешно оптимизировала кремниевую конструкцию процессоров Tensor Processing Units (TPU) следующего поколения, создав высокоэффективную, нетривиальную схему компоновки, усовершенствовала эвристические алгоритмы сжатия дерева слияния Log-Structured Merge-tree от Google Spanner, снизив коэффициент усиления записи на 20%, и уменьшила объем памяти, занимаемый программным обеспечением, почти на 9% за счет новых стратегий оптимизации компилятора. Кроме того, агент внес важный вклад в научные исследования, повысив точность прогнозирования по 20 категориям риска стихийных бедствий на 5% и обнаружив квантовые схемы с десятикратно меньшим количеством ошибок при выполнении сложных молекулярных симуляций на квантовом процессоре Google Willow.

По словам Пушмита Коли, главного научного сотрудника Google Cloud и вице-президента по науке в Google DeepMind, «искусственный интеллект выходит за рамки роли помощника по повышению производительности, ускоряющего нашу работу, и превращается в механизм поиска, расширяющий наши возможности. Автономно перемещаясь по сложным вычислительным пространствам поиска, такие инструменты, как AlphaEvolve, помогают исследователям и инженерам открывать прорывные алгоритмы, которые дополняют традиционную человеческую интуицию». 

Начните развивать свою кодовую базу уже сегодня!

Для начала работы с AlphaEvolve вам потребуется выполнить всего два основных действия:

1. Начальная программа: исходный алгоритм, написанный в виде кода. Вы указываете, какие сегменты кода открыты для оптимизации, и предоставляете их AlphaEvolve.

2. Оценщик: детерминированный скрипт оценки на стороне клиента, который компилирует, тестирует и оценивает мутировавшие варианты, возвращая одну или несколько скалярных метрик, которые AlphaEvolve должна максимизировать.

Ваш клиентский обработчик запрашивает API AlphaEvolve для получения мутированных решений-кандидатов, пропускает их через ваш клиентский оценщик (который может работать где угодно) и отправляет результаты обратно в AlphaEvolve, из которого вы берете выборку.

Для использования AlphaEvolve мы рекомендуем начать с изучения документации . После быстрой настройки API AlphaEvolve с помощью руководства по началу работы , мы рекомендуем начать изучение репозитория с базовых примеров Colab, чтобы понять, как работает эвристический алгоритм AlphaEvolve. Для агентных рабочих процессов вы можете легко начать использовать навык AlphaEvolve в выбранной вами IDE, например, Antigravity или Claude Code. Для более сложных экспериментов наше руководство по лучшим практикам и расширенные примеры предоставляют дополнительные ресурсы для выполнения подробных рабочих процессов экспериментов AlphaEvolve.