AlphaEvolve: Langkah Revolusioner Google DeepMind Menuju AGI

Google DeepMind telah memperkenalkan AlphaEvolve, sebuah agen pengkodean evolusioner yang dirancang untuk mengembangkan algoritma dan solusi ilmiah secara otonom. Diperkenalkan dalam makalah yang berjudul “AlphaEvolve: Agen Pengkodean untuk Penemuan Ilmiah dan Algoritmik,” penelitian ini mewakili langkah fondamental menuju Kecerdasan Umum Buatan (AGI) dan bahkan Kecerdasan Super Buatan (ASI). Daripada mengandalkan penyetelan halus statis atau dataset yang diberi label oleh manusia, AlphaEvolve mengambil jalur yang berbeda—yang berfokus pada kreativitas otonom, inovasi algoritmik, dan perbaikan diri terus-menerus.

Di jantung AlphaEvolve terdapat pipa evolusioner yang mandiri yang ditenagai oleh model bahasa besar (LLM). Pipa ini tidak hanya menghasilkan output—tetapi juga mutasi, evaluasi, seleksi, dan perbaikan kode di seluruh generasi. AlphaEvolve dimulai dengan program awal dan secara iteratif memperbaikinya dengan memperkenalkan perubahan yang terstruktur dengan hati-hati.

Perubahan ini mengambil bentuk diff yang dihasilkan oleh LLM—modifikasi kode yang disarankan oleh model bahasa berdasarkan contoh sebelumnya dan instruksi eksplisit. ‘Diff’ dalam rekayasa perangkat lunak merujuk pada perbedaan antara dua versi file, biasanya menyoroti baris yang akan dihapus atau diganti dan baris baru yang akan ditambahkan. Dalam AlphaEvolve, LLM menghasilkan diff ini dengan menganalisis program saat ini dan mengusulkan edit kecil—menambahkan fungsi, mengoptimalkan loop, atau mengubah hiperparameter—berdasarkan prompt yang mencakup metrik kinerja dan edit sukses sebelumnya.

Setiap program yang dimodifikasi kemudian diuji menggunakan evaluator otomatis yang disesuaikan dengan tugas. Kandidat yang paling efektif disimpan, dirujuk, dan dikombinasikan sebagai inspirasi untuk iterasi masa depan. Dalam waktu, loop evolusioner ini menyebabkan munculnya algoritma yang semakin canggih—sering kali melampaui yang dirancang oleh ahli manusia.

Mengenal Sains di Balik AlphaEvolve

Di intinya, AlphaEvolve dibangun atas prinsip perhitungan evolusioner—subbidang kecerdasan buatan yang terinspirasi oleh evolusi biologis. Sistem ini dimulai dengan implementasi kode dasar, yang dianggap sebagai “organisme” awal. Melalui generasi, AlphaEvolve memodifikasi kode ini—memperkenalkan variasi atau “mutasi”—dan mengevaluasi kebugaran setiap variasi menggunakan fungsi skor yang terdefinisi dengan baik. Varian yang berkinerja terbaik bertahan dan berfungsi sebagai templat untuk generasi berikutnya.

Loop evolusioner ini dikoordinasikan melalui:

• Pengambilan Sampel Prompt: AlphaEvolve membangun prompt dengan memilih dan menyematkan contoh kode sukses sebelumnya, metrik kinerja, dan instruksi tugas-spesifik.
• Mutasi Kode dan Proposal: Sistem ini menggunakan campuran LLM yang kuat—Gemini 2.0 Flash dan Pro—untuk menghasilkan modifikasi spesifik pada basis kode saat ini dalam bentuk diff.
• Mekanisme Evaluasi: Fungsi evaluasi otomatis menilai kinerja setiap kandidat dengan menjalankannya dan mengembalikan skor scalar.
• Database dan Pengontrol: Pengontrol terdistribusi mengatur loop ini, menyimpan hasil dalam database evolusioner dan menyeimbangkan eksplorasi dengan eksploitasi melalui mekanisme seperti MAP-Elites.

Proses evolusioner yang kaya umpan balik dan otomatis ini berbeda secara radikal dari teknik penyetelan halus standar. Ini memungkinkan AlphaEvolve untuk menghasilkan solusi baru, berkinerja tinggi, dan kadang-kadang kontra-intuitif—mendorong batas apa yang dapat dicapai oleh pembelajaran mesin secara otonom.

Mengumpulkan AlphaEvolve dengan RLHF

Untuk menghargai inovasi AlphaEvolve, penting untuk membandingkannya dengan Pembelajaran Penguatan dari Umpan Balik Manusia (RLHF), sebuah pendekatan dominan yang digunakan untuk penyetelan model bahasa besar.

Dalam RLHF, preferensi manusia digunakan untuk melatih model hadiah, yang memandu proses pembelajaran LLM melalui algoritma pembelajaran penguatan seperti Optimasi Kebijakan Proksimal (PPO). RLHF memperbaiki keselarasan dan kemanfaatan model, tetapi memerlukan keterlibatan manusia yang luas untuk menghasilkan data umpan balik dan biasanya beroperasi dalam regime penyetelan halus statis, satu kali.

AlphaEvolve, di sisi lain:

• Menghilangkan umpan balik manusia dari loop dengan menggantinya dengan evaluator mesin yang dapat dieksekusi.
• Mendukung pembelajaran terus-menerus melalui seleksi evolusioner.
• Menjelajahi ruang solusi yang jauh lebih luas karena mutasi stokastik dan eksekusi asinkron.
• Dapat menghasilkan solusi yang tidak hanya selaras, tetapi baru dan secara ilmiah signifikan.

Di mana RLHF menyetel perilaku, AlphaEvolve menemukan dan mengarang. Perbedaan ini sangat penting ketika mempertimbangkan trajektori masa depan menuju AGI: AlphaEvolve tidak hanya membuat prediksi yang lebih baik—tetapi menemukan jalur baru menuju kebenaran.

Aplikasi dan Terobosan

1. Penemuan Algoritmik dan Kemajuan Matematika

AlphaEvolve telah menunjukkan kemampuannya untuk penemuan yang mengubah paradigma dalam masalah algoritmik inti. Paling mencolok, ia menemukan algoritma baru untuk mengkalikan dua matriks kompleks 4×4 menggunakan hanya 48 kali perkalian skalar—melampaui hasil Strassen tahun 1969 yang menggunakan 49 kali perkalian dan memecahkan batas teoretis yang berusia 56 tahun. AlphaEvolve mencapai ini melalui teknik dekomposisi tensor yang canggih yang dikembangkannya selama banyak iterasi, mengungguli beberapa pendekatan mutakhir.

Di luar perkalian matriks, AlphaEvolve membuat kontribusi signifikan pada penelitian matematika. Ia dievaluasi pada lebih dari 50 masalah terbuka di berbagai bidang seperti kombinatorik, teori bilangan, dan geometri. Ia mencapai hasil terbaik yang diketahui dalam sekitar 75% kasus dan melampaui mereka dalam sekitar 20%. Keberhasilan ini termasuk perbaikan pada Masalah Overlap Minimum Erdős, solusi yang lebih padat untuk Masalah Kissing Number dalam 11 dimensi, dan konfigurasi pengemasan geometris yang lebih efisien. Hasil ini menekankan kemampuannya untuk bertindak sebagai penjelajah matematika otonom—memperbaiki, mengulangi, dan mengembangkan solusi yang semakin optimal tanpa intervensi manusia.

2. Optimasi di Seluruh Tumpukan Komputasi Google

AlphaEvolve juga telah memberikan perbaikan kinerja yang nyata di seluruh infrastruktur Google:

• Dalam penjadwalan pusat data, ia menemukan heuristik baru yang memperbaiki penempatan pekerjaan, memulihkan 0,7% sumber daya komputasi yang sebelumnya terjebak.
• Untuk inti pelatihan Gemini, AlphaEvolve merancang strategi tiling yang lebih baik untuk perkalian matriks, menghasilkan percepatan kernel sebesar 23% dan pengurangan waktu pelatihan sebesar 1%.
• Dalam desain sirkuit TPU, ia mengidentifikasi simplifikasi logika aritmatika pada tingkat RTL (Register-Transfer Level), diverifikasi oleh insinyur dan dimasukkan dalam chip TPU generasi berikutnya.
• Ia juga mengoptimalkan kode FlashAttention yang dihasilkan compiler dengan mengedit representasi antara XLA, mengurangi waktu inferensi pada GPU sebesar 32%.

Bersama-sama, hasil ini memvalidasi kemampuan AlphaEvolve untuk beroperasi pada banyak tingkat abstraksi—dari matematika simbolik hingga optimasi perangkat keras yang rendah—dan memberikan keuntungan kinerja dunia nyata.

• Pemrograman Evolusioner: Sebuah paradigma AI yang menggunakan mutasi, seleksi, dan warisan untuk memperbaiki solusi secara iteratif.
• Superoptimasi Kode: Pencarian otomatis untuk implementasi fungsi yang paling efisien—sering menghasilkan perbaikan yang mengejutkan dan kontra-intuitif.
• Evolusi Prompt Meta: AlphaEvolve tidak hanya mengembangkan kode; ia juga mengembangkan cara mengkomunikasikan instruksi kepada LLM—memungkinkan perbaikan diri dari proses pengkodean.
• Kehilangan Diskretisasi: Sebuah istilah regularisasi yang mendorong output untuk selaras dengan nilai setengah-integer atau integer—kritis untuk kejelasan matematika dan simbolik.
• Kehilangan Halusinasi: Sebuah mekanisme untuk menyuntikkan keacakan ke dalam solusi antara—mendorong eksplorasi dan menghindari minimum lokal.
• Algoritma MAP-Elites: Sebuah jenis algoritma kualitas-keragaman yang mempertahankan populasi solusi berkinerja tinggi yang beragam di seluruh dimensi fitur—memungkinkan inovasi yang kuat.

Implikasi untuk AGI dan ASI

AlphaEvolve lebih dari sekedar pengoptimasi—ini adalah pandangan ke masa depan di mana agen cerdas dapat menunjukkan kemandirian kreatif. Kemampuan sistem untuk merumuskan masalah abstrak dan merancang pendekatannya sendiri untuk memecahkan masalah ini mewakili langkah signifikan menuju Kecerdasan Umum Buatan. Ini melampaui prediksi data: ini melibatkan penalaran terstruktur, pembentukan strategi, dan penyesuaian terhadap umpan balik—ciri-ciri perilaku cerdas.

Kemampuannya untuk menghasilkan dan memperbaiki hipotesis secara iteratif juga menandai evolusi dalam cara mesin belajar. Tidak seperti model yang memerlukan pelatihan terawasi yang luas, AlphaEvolve memperbaiki dirinya melalui loop eksperimen dan evaluasi. Bentuk kecerdasan dinamis ini memungkinkan AlphaEvolve untuk menavigasi ruang masalah yang kompleks, membuang solusi lemah, dan meningkatkan solusi yang lebih kuat tanpa pengawasan manusia langsung.

Dengan mengeksekusi dan memvalidasi ide-idenya sendiri, AlphaEvolve berfungsi sebagai teoritis dan eksperimentalis. Ini bergerak melampaui tugas yang telah ditentukan sebelumnya dan memasuki domain penemuan, mensimulasikan proses ilmiah otonom. Setiap perbaikan yang diusulkan diuji, diukur, dan diintegrasikan kembali—memungkinkan perbaikan terus-menerus berdasarkan hasil nyata daripada tujuan statis.

Mungkin yang paling mencolok, AlphaEvolve adalah contoh awal dari perbaikan diri rekursif—di mana sistem AI tidak hanya belajar tetapi juga meningkatkan komponen-komponennya sendiri. Dalam beberapa kasus, AlphaEvolve memperbaiki infrastruktur pelatihan yang mendukung model-model dasarnya. Meskipun masih terikat oleh arsitektur saat ini, kemampuan ini menetapkan preseden. Dengan lebih banyak masalah yang dirumuskan dalam lingkungan yang dapat dievaluasi, AlphaEvolve bisa berkembang menuju perilaku yang semakin canggih dan mengoptimalkan diri—sebuah sifat mendasar dari Kecerdasan Super Buatan (ASI).

Batasan dan Trajektori Masa Depan

Batasan saat ini dari AlphaEvolve adalah ketergantungannya pada fungsi evaluasi otomatis. Ini membatasi utilitasnya pada masalah yang dapat diformalisasi secara matematis atau algoritmik. AlphaEvolve belum dapat beroperasi secara bermakna dalam domain yang memerlukan pemahaman manusia yang implisit, penilaian subjektif, atau eksperimen fisik.

Namun, arah masa depan termasuk:

• Integrasi evaluasi hibrida: menggabungkan penalaran simbolik dengan preferensi manusia dan kritik bahasa alami.
• Penggunaan dalam lingkungan simulasi, memungkinkan eksperimen ilmiah yang diwujudkan.
• Destilasi output yang dikembangkan ke dalam model bahasa besar dasar, menciptakan model dasar yang lebih mampu dan efisien contoh.

Trajektori ini menunjuk pada sistem yang semakin beragennya, mampu menyelesaikan masalah otonom dengan tingkat yang lebih tinggi.

Kesimpulan

AlphaEvolve adalah langkah maju yang mendalam—bukan hanya dalam peralatan AI tetapi juga dalam pemahaman kecerdasan mesin itu sendiri. Dengan menggabungkan pencarian evolusioner dengan penalaran LLM dan umpan balik, AlphaEvolve meredefinisi apa yang dapat ditemukan oleh mesin secara otonom. Ini adalah sinyal awal tapi signifikan bahwa sistem yang dapat memperbaiki diri dan mampu pemikiran ilmiah sejati tidak lagi teoretis.

Menghadap ke depan, arsitektur yang mendasari AlphaEvolve bisa diterapkan secara rekursif pada dirinya sendiri: mengembangkan evaluator, memperbaiki logika mutasi, memperbaiki fungsi skor, dan mengoptimalkan pipa pelatihan dasar untuk model yang bergantung padanya. Loop perbaikan diri rekursif ini mewakili mekanisme teknis untuk memulai langkah menuju AGI, di mana sistem tidak hanya menyelesaikan tugas tetapi juga memperbaiki infrastruktur yang memungkinkan pembelajaran dan penalarannya.

Seiring waktu, ketika AlphaEvolve berkembang di domain yang lebih kompleks dan abstrak—dan ketika intervensi manusia dalam proses ini berkurang—mungkin akan menunjukkan keuntungan kecerdasan yang dipercepat. Siklus perbaikan diri yang memperkuat ini, diterapkan tidak hanya pada masalah eksternal tetapi juga pada struktur algoritmiknya sendiri, adalah komponen teoretis kunci dari AGI dan semua manfaat yang dapat disediakannya bagi masyarakat. Dengan kombinasi kreativitas, kemandirian, dan rekursi, AlphaEvolve mungkin diingat bukan hanya sebagai produk DeepMind, tetapi sebagai cetakan biru untuk pikiran buatan umum dan evolusioner pertama yang benar-benar mandiri.