AlphaEvolve: il passo rivoluzionario di Google DeepMind verso l’AGI

Google DeepMind ha presentato AlphaEvolve, un agente di codifica evolutivo progettato per scoprire autonomamente nuovi algoritmi e soluzioni scientifiche. Presentato nel paper intitolato “AlphaEvolve: Un agente di codifica per la scoperta scientifica e algoritmica,” questa ricerca rappresenta un passo fondamentale verso l’Intelligenza Artificiale Generale (AGI) e anche l’Intelligenza Artificiale Superiore (ASI). Piuttosto che affidarsi a tecniche di fine-tuning statiche o a set di dati etichettati manualmente, AlphaEvolve segue un percorso completamente diverso – uno che si concentra sulla creatività autonoma, l’innovazione algoritmica e il miglioramento continuo.

Al cuore di AlphaEvolve c’è una pipeline evolutiva autonoma alimentata da modelli linguistici di grandi dimensioni (LLM). Questa pipeline non genera solo output – muta, valuta, seleziona e migliora il codice attraverso le generazioni. AlphaEvolve inizia con un programma iniziale e lo raffina iterativamente introducendo modifiche strutturate con cura.

Queste modifiche prendono la forma di diff generati da LLM – modifiche al codice suggerite da un modello linguistico in base a esempi precedenti e istruzioni esplicite. Un ‘diff’ nell’ingegneria del software si riferisce alla differenza tra due versioni di un file, di solito evidenziando le righe da rimuovere o sostituire e le nuove righe da aggiungere. In AlphaEvolve, l’LLM genera questi diff analizzando il programma attuale e proponendo piccole modifiche – aggiungendo una funzione, ottimizzando un ciclo o cambiando un iperparametro – in base a un prompt che include metriche di prestazione e modifiche precedenti di successo.

Ogni programma modificato viene quindi testato utilizzando valutatori automatizzati personalizzati per il compito. I candidati più efficaci vengono archiviati, referenziati e ricombinati come ispirazione per future iterazioni. Nel tempo, questo ciclo evolutivo porta all’emergere di algoritmi sempre più sofisticati – spesso superando quelli progettati da esperti umani.

Comprendere la scienza dietro AlphaEvolve

In sostanza, AlphaEvolve si basa sui principi del calcolo evolutivo – un sottocampo dell’intelligenza artificiale ispirato all’evoluzione biologica. Il sistema inizia con una implementazione di base del codice, che tratta come un “organismo” iniziale. Attraverso le generazioni, AlphaEvolve modifica questo codice – introducendo variazioni o “mutazioni” – e valuta l’idoneità di ogni variazione utilizzando una funzione di punteggio ben definita. Le varianti che si eseguono meglio sopravvivono e fungono da modelli per la prossima generazione.

Questo ciclo evolutivo è coordinato attraverso:

• Campionamento del prompt: AlphaEvolve costruisce prompt selezionando e incorporando campioni di codice di successo precedenti, metriche di prestazione e istruzioni specifiche del compito.
• Proposta di mutazione e codice: Il sistema utilizza una combinazione di potenti LLM – Gemini 2.0 Flash e Pro – per generare modifiche specifiche al codice attuale sotto forma di diff.
• Meccanismo di valutazione: Una funzione di valutazione automatizzata valuta le prestazioni di ogni candidato eseguendolo e restituendo punteggi scalari.
• Database e controllore: Un controllore distribuito orchestra questo ciclo, archiviando i risultati in un database evolutivo e bilanciando l’esplorazione con lo sfruttamento attraverso meccanismi come MAP-Elites.

Questo processo evolutivo automatizzato e ricco di feedback differisce radicalmente dalle tecniche di fine-tuning standard. Consente ad AlphaEvolve di generare soluzioni nuove, ad alte prestazioni e a volte controintuitive – spingendo i confini di ciò che l’apprendimento automatico può raggiungere autonomamente.

Confronto tra AlphaEvolve e RLHF

Per apprezzare l’innovazione di AlphaEvolve, è cruciale confrontarlo con Reinforcement Learning from Human Feedback (RLHF), un approccio dominante utilizzato per il fine-tuning dei modelli linguistici di grandi dimensioni.

In RLHF, le preferenze umane vengono utilizzate per addestrare un modello di ricompensa, che guida il processo di apprendimento di un LLM attraverso algoritmi di apprendimento per rinforzo come Proximal Policy Optimization (PPO). RLHF migliora l’allineamento e l’utilità dei modelli, ma richiede un’estesa partecipazione umana per generare dati di feedback e operare generalmente in un regime di fine-tuning statico e unico.

AlphaEvolve, al contrario:

• Rimuove il feedback umano dal ciclo a favore di valutatori eseguibili automaticamente.
• Supporta l’apprendimento continuo attraverso la selezione evolutiva.
• Esplora spazi di soluzione più ampi a causa di mutazioni stocastiche e esecuzione asincrona.
• Può generare soluzioni che non sono solo allineate, ma nuove e scientificamente significative.

Mentre RLHF affina il comportamento, AlphaEvolve scopre e inventa. Questa distinzione è critica quando si considerano le traiettorie future verso l’AGI: AlphaEvolve non solo migliora le previsioni, ma trova nuovi percorsi verso la verità.

Applicazioni e innovazioni

1. Scoperta algoritmica e avanzamenti matematici

AlphaEvolve ha dimostrato la sua capacità di fare scoperte rivoluzionarie in problemi algoritmici fondamentali. In particolare, ha scoperto un nuovo algoritmo per moltiplicare due matrici 4×4 a valori complessi utilizzando solo 48 moltiplicazioni scalari – superando il risultato di Strassen del 1969 di 49 moltiplicazioni e rompendo un tetto teorico di 56 anni. AlphaEvolve ha raggiunto questo risultato attraverso tecniche avanzate di decomposizione dei tensori che ha evoluto nel corso di molte iterazioni, superando diversi approcci di stato dell’arte.

Oltre alla moltiplicazione di matrici, AlphaEvolve ha apportato contributi sostanziali alla ricerca matematica. È stato valutato su oltre 50 problemi aperti in campi come la combinatoria, la teoria dei numeri e la geometria. Ha eguagliato i migliori risultati noti nel circa 75% dei casi e li ha superati nel circa 20%. Questi successi includevano miglioramenti al problema di sovrapposizione minima di Erdős, una soluzione più densa al problema del numero di baci in 11 dimensioni e configurazioni di impacchettamento geometrico più efficienti. Questi risultati sottolineano la sua capacità di agire come un esploratore matematico autonomo – raffinando, iterando e evolvendo soluzioni sempre più ottimali senza intervento umano.

2. Ottimizzazione across Google’s Compute Stack

AlphaEvolve ha anche fornito miglioramenti tangibili delle prestazioni in tutta l’infrastruttura di Google:

• Nella pianificazione dei data center, ha scoperto un nuovo algoritmo di pianificazione dei lavori che ha migliorato la collocazione dei lavori, recuperando lo 0,7% delle risorse di calcolo precedentemente bloccate.
• Per i kernel di training di Gemini, AlphaEvolve ha ideato una strategia di tiling migliore per la moltiplicazione di matrici, ottenendo un aumento del 23% della velocità del kernel e una riduzione dell’1% del tempo di training complessivo.
• Nel progetto del circuito TPU, ha identificato una semplificazione della logica aritmetica a livello di RTL (Register-Transfer Level), verificata dagli ingegneri e inclusa nei prossimi chip TPU.
• Ha anche ottimizzato il codice generato dal compilatore FlashAttention modificando le rappresentazioni intermedie XLA, riducendo il tempo di inferenza su GPU del 32%.

Insieme, questi risultati convalidano la capacità di AlphaEvolve di operare a più livelli di astrazione – dalla matematica simbolica all’ottimizzazione dell’hardware a basso livello – e di fornire guadagni di prestazioni nel mondo reale.

• Programmazione evolutiva: Un paradigma di intelligenza artificiale che utilizza mutazione, selezione e eredità per raffinare iterativamente le soluzioni.
• Superoptimizzazione del codice: La ricerca automatizzata dell’implementazione più efficiente di una funzione – spesso producendo miglioramenti sorprendenti e controintuitivi.
• Evoluzione del prompt meta: AlphaEvolve non evolve solo il codice; evolve anche come comunica istruzioni ai modelli linguistici – abilitando il perfezionamento del processo di codifica.
• Perdita di discretizzazione: Un termine di regolarizzazione che incoraggia gli output ad allinearsi con valori a metà intero o intero, critico per la chiarezza matematica e simbolica.
• Perdita di allucinazione: Un meccanismo per iniettare casualità nelle soluzioni intermedie, incoraggiando l’esplorazione e evitando i minimi locali.
• Algoritmo MAP-Elites: Un tipo di algoritmo di qualità-diversità che mantiene una popolazione diversificata di soluzioni ad alte prestazioni attraverso dimensioni di caratteristiche – abilitando l’innovazione robusta.

Implicazioni per AGI e ASI

AlphaEvolve è più di un ottimizzatore – è uno sguardo al futuro in cui gli agenti intelligenti possono dimostrare autonomia creativa. La capacità del sistema di formulare problemi astratti e progettare le proprie soluzioni rappresenta un passo significativo verso l’Intelligenza Artificiale Generale. Ciò va oltre la previsione dei dati: coinvolge ragionamento strutturato, formazione di strategie e adattamento ai feedback – marchi di comportamento intelligente.

La sua capacità di generare e raffinare ipotesi in modo iterativo segnala anche un’evoluzione nel modo in cui le macchine imparano. A differenza dei modelli che richiedono un addestramento supervisionato esteso, AlphaEvolve migliora se stesso attraverso un ciclo di sperimentazione e valutazione. Questa forma dinamica di intelligenza gli consente di navigare spazi di problemi complessi, scartare soluzioni deboli e elevare quelle più forti senza la supervisione diretta umana.

Eseguendo e convalidando le proprie idee, AlphaEvolve funge sia da teorico che da sperimentatore. Si muove oltre l’esecuzione di compiti predefiniti e entra nel regno della scoperta, simulando un processo scientifico autonomo. Ogni miglioramento proposto viene testato, misurato e reintegrato – consentendo un raffinamento continuo basato su risultati reali piuttosto che su obiettivi statici.

Forse più notevole è che AlphaEvolve rappresenta un’istanza precoce di auto-miglioramento ricorsivo – dove un sistema di intelligenza artificiale non solo apprende ma migliora componenti di se stesso. In diversi casi, AlphaEvolve ha migliorato l’infrastruttura di training che supporta i suoi stessi modelli di base. Sebbene ancora limitato dalle architetture attuali, questa capacità stabilisce un precedente. Con più problemi inquadrati in ambienti valutabili, AlphaEvolve potrebbe scalare verso comportamenti sempre più sofisticati e auto-ottimizzanti – un tratto fondamentale dell’Intelligenza Artificiale Superiore (ASI).

Limitazioni e traiettoria futura

La limitazione attuale di AlphaEvolve è la sua dipendenza dalle funzioni di valutazione automatizzate. Ciò limita la sua utilità ai problemi che possono essere formalizzati matematicamente o algoritmicamente. Non può ancora operare in modo significativo in domini che richiedono comprensione tacita umana, giudizio soggettivo o sperimentazione fisica.

Tuttavia, le direzioni future includono:

• Integrazione di valutazione ibrida: combinazione di ragionamento simbolico con preferenze umane e critiche in linguaggio naturale.
• Distribuzione in ambienti di simulazione, abilitando l’esperimentazione scientifica incorporata.
• Distillazione dei output evoluti nei modelli di base LLM, creando modelli di base più capaci e efficienti in termini di campionamento.

Queste traiettorie puntano verso sistemi sempre più agenti, capaci di risoluzione di problemi autonoma ad alto livello.

Conclusione

AlphaEvolve è un passo avanti profondo – non solo negli strumenti di intelligenza artificiale, ma nella nostra comprensione stessa dell’intelligenza delle macchine. Unendo la ricerca evolutiva con il ragionamento dei modelli linguistici di grandi dimensioni e il feedback, ridisegna ciò che le macchine possono scoprire autonomamente. È un segnale precoce ma significativo che i sistemi di auto-miglioramento in grado di pensiero scientifico reale non sono più teorici.

Guardando avanti, l’architettura alla base di AlphaEvolve potrebbe essere applicata ricorsivamente a se stessa: evolvendo i propri valutatori, migliorando la logica di mutazione, raffinando le funzioni di punteggio e ottimizzando le pipeline di training sottostanti per i modelli di cui dipende. Questo ciclo di ottimizzazione ricorsivo rappresenta un meccanismo tecnico per avviare il percorso verso l’AGI, dove il sistema non solo completa compiti, ma migliora l’infrastruttura stessa che consente il suo apprendimento e ragionamento.

Nel tempo, man mano che AlphaEvolve scala su domini più complessi e astratti – e man mano che l’intervento umano nel processo diminuisce – potrebbe esibire guadagni di intelligenza accelerati. Questo ciclo di auto-miglioramento, applicato non solo a problemi esterni ma anche alla struttura algoritmica interna, è un componente teorico fondamentale dell’AGI e di tutti i benefici che potrebbe portare alla società. Con la sua combinazione di creatività, autonomia e ricorsività, AlphaEvolve potrebbe essere ricordato non solo come un prodotto di DeepMind, ma come una sorta di modello per le prime menti artificiali generali e auto-evolventi.