Google DeepMind presentó nuevos resultados de AlphaEvolve, su agente de programación basado en Gemini para diseñar algoritmos avanzados. La compañía lo muestra ahora aplicado en ciencia, optimización de infraestructura y casos empresariales junto a Google Cloud.
La actualización muestra un salto desde problemas experimentales hacia optimización de procesos concretos. En varios casos, AlphaEvolve no reemplaza el sistema completo, sino que encuentra mejoras algorítmicas específicas que luego se incorporan a modelos, infraestructura o flujos operativos existentes.
Admin
De genómica a redes eléctricas
En genómica, AlphaEvolve se usó para mejorar DeepConsensus, un modelo de Google Research orientado a corregir errores de secuenciación de ADN. DeepMind reporta una reducción de 30% en errores de detección de variantes.
El sistema también fue aplicado al problema AC Optimal Power Flow en redes eléctricas. Según DeepMind, ayudó a elevar de 14% a más de 88% la capacidad de un modelo Graph Neural Network para encontrar soluciones factibles.
Aaron Wenger, senior director en PacBio, vinculó el avance con datos de mayor calidad para investigación biomédica. El punto operativo está en detectar variantes que podían quedar ocultas por límites de precisión.
"La solución que el equipo de Google descubrió usando AlphaEvolve desbloquea tasas de precisión significativamente mayores para nuestros instrumentos de secuenciación. Para los investigadores, estos datos de mayor calidad podrían permitir el descubrimiento de mutaciones causantes de enfermedades que antes estaban ocultas".
Admin
TPUs, Spanner y software interno de Google
En infraestructura interna, AlphaEvolve fue usado para optimizar el diseño de la próxima generación de TPUs. También ayudó a descubrir políticas de reemplazo de caché más eficientes en dos días, frente a procesos que antes podían requerir meses de trabajo humano intensivo.
DeepMind informó además mejoras en Google Spanner, con una reducción de 20% en write amplification. En software, el sistema encontró estrategias de optimización de compiladores que redujeron casi 9% la huella de almacenamiento.
Jeff Dean, chief scientist de Google DeepMind y Google Research, presentó el caso de las TPUs como una integración directa entre IA, diseño de hardware e infraestructura de cómputo.
"AlphaEvolve comenzó a optimizar los niveles más bajos del hardware que impulsa nuestras pilas de IA. Propuso un diseño de circuito tan contraintuitivo y eficiente que fue integrado directamente en el silicio de nuestras próximas TPUs".
Admin
Casos empresariales con Google Cloud
Junto a Google Cloud, AlphaEvolve ya aparece en casos comerciales. Klarna lo usó para optimizar uno de sus mayores modelos transformer, duplicando la velocidad de entrenamiento y mejorando la calidad del modelo.
Substrate lo aplicó a litografía computacional y obtuvo un aumento de varias veces en velocidad de ejecución. FM Logistic reportó 10,4% más eficiencia de rutas y más de 15.000 km menos recorridos al año, mientras WPP registró 10% más precisión frente a optimizaciones manuales.
Admin
Schrödinger aplicó AlphaEvolve a Machine Learned Force Fields y reportó cerca de 4 veces más velocidad en entrenamiento e inferencia. Gabriel Marques, technical lead of machine learning, conectó ese resultado con ciclos más cortos de I+D.
"AlphaEvolve nos permite explorar espacios químicos más grandes de forma más rápida y eficiente que nunca. [...] permite a las empresas evaluar candidatos moleculares en días en lugar de meses".
