Alphaevolve: el innovador paso de Google Deepmind hacia AGI

Google Deepmind ha presentado Alphaevolve, un agente de codificación evolutivo diseñado para descubrir de forma autónoma algoritmos novedosos y soluciones científicas. Presentado en el documento titulado «Alphaevolve: un agente de codificación para el descubrimiento irrefutable y algorítmico« Esta investigación representa un paso fundamental en dirección a la inteligencia universal fabricado (AGI) e incluso la superinteligencia fabricado (ASI). En oportunidad de someterse del ajuste fino petrificado o los conjuntos de datos marcados con humanos, Alphaevolve toma un camino completamente diferente, uno que se centra en la creatividad autónoma, la innovación algorítmica y la supervisión continua.

En el corazón de Alphaevolve hay una tubería evolutiva autónoma impulsada por grandes modelos de idiomas (LLM). Esta tubería no solo genera expectativas, sino que muta, evalúa, selecciona y mejoría el código a través de las generaciones. Alphaevolve comienza con un software original y lo refina iterativamente mediante la preámbulo de cambios cuidadosamente estructurados.

Estos cambios toman la forma de diferencias generadas por LLM: modificaciones de código sugeridas por un maniquí de jerga basado en ejemplos anteriores e instrucciones explícitas. Un ‘diff’ en ingeniería de software se refiere a la diferencia entre dos versiones de un archivo, que generalmente resaltan las líneas que se eliminarán o reemplazarán y se agregarán nuevas líneas. En AlphaEvolve, el LLM genera estas diferencias analizando el software flagrante y proponiendo pequeñas ediciones, agregando una función, optimización de un onda o cambiando un hiperparámetro, basado en un aviso que incluye métricas de rendimiento y ediciones exitosas anteriores.

Cada software modificado se prueba luego utilizando evaluadores automatizados adaptados a la tarea. Los candidatos más efectivos se almacenan, hacen narración y recombinan como inspiración para futuras iteraciones. Con el tiempo, este onda evolutivo conduce a la aparición de algoritmos cada vez más sofisticados, a menudo superando los diseñados por expertos humanos.

Comprender la ciencia detrás de Alphaevolve

En esencia, Alphaevolve se pedestal en principios de cálculo evolutivo, un subcampo de inteligencia fabricado inspirada en la crecimiento biológica. El sistema comienza con una implementación básica del código, que prostitución como un «organismo» original. A través de las generaciones, Alphaevolve modifica este código (variaciones de preámbulo o «mutaciones», y evalúa la aptitud de cada variación utilizando una función de puntuación perfectamente definida. Las variantes de mejor rendimiento sobreviven y sirven como plantillas para la próxima gestación.

Este onda evolutivo se coordina a través de:

• Muestreo de inmediato: Alphaevolve construye indicaciones seleccionando e integrando muestras de código previamente exitosas, métricas de rendimiento e instrucciones específicas de tareas.
• Mutación y propuesta de código: El sistema utiliza una mezcla de potentes LLMS, Gemini 2.0 Flash y Pro, para difundir modificaciones específicas a la colchoneta de código flagrante en forma de DIFFS.
• Mecanismo de evaluación: Una función de evaluación automatizada evalúa el rendimiento de cada candidato ejecutándolo y devolviendo puntajes escalares.
• Almohadilla de datos y regulador: Un regulador distribuido orquestina este onda, el almacenamiento da como resultado una colchoneta de datos evolutiva y equilibrando la exploración con la explotación a través de mecanismos como los mapas.

Este proceso evolutivo automatizado rico en feedback difiere radicalmente de las técnicas habitual de ajuste fino. Alfaevole para difundir soluciones novedosas, de detención rendimiento y, a veces, contraintuitivas, lo que supera el margen de lo que el estudios involuntario puede conseguir de forma autónoma.

Comparación de Alphaevolve con RLHF

Para apreciar la innovación de Alphaevolve, es crucial compararla con el estudios de refuerzo de la feedback humana (RLHF), un enfoque dominante utilizado para ajustar modelos de idiomas grandes.

En RLHF, las preferencias humanas se utilizan para entrenar un maniquí de retribución, que conductor el proceso de estudios de un LLM a través de algoritmos de estudios de refuerzo como la optimización de políticas proximales (PPO). RLHF mejoría la fila y la utilidad de los modelos, pero requiere una billete humana extensa para difundir datos de feedback y generalmente opera en un régimen petrificado de ajuste fino.

Alphaevolve, en contraste:

• Elimina la feedback humana del onda a merced de los evaluadores ejecutables de la máquina.
• Apoya el estudios continuo a través de la selección evolutiva.
• Explora espacios de alternativa mucho más amplios conveniente a mutaciones estocásticas y ejecución asincrónica.
• Puede difundir soluciones que no solo están alineadas, sino que novedoso y científicamente significativo.

Donde el comportamiento de los ajustes rlhf, alphaevolve descubrimiento y inventa. Esta distinción es crítica cuando se considera trayectorias futuras en dirección a AGI: Alphaevolve no solo hace mejores predicciones, sino que encuentra nuevos caminos en dirección a la verdad.

Aplicaciones y avances

1. Descubrimiento algorítmico y avances matemáticos

AlphaEvolve ha demostrado su capacidad para descubrimientos innovadores en problemas algorítmicos centrales. En particular, descubrió un operación novedoso para multiplicar dos matrices de valencia de engorroso de 4 × 4 usando solo 48 multiplicaciones escalares, superando el resultado de Strassen en 1969 de 49 multiplicaciones y rompiendo un techo teórico de 56 abriles. Alphaevolve logró esto a través de técnicas avanzadas de descomposición del tensor que evolucionó sobre muchas iteraciones, superando a varios enfoques de última gestación.

Más allá de la multiplicación de matriz, Alphaevolve hizo contribuciones sustanciales a la investigación matemática. Fue evaluado en más de 50 problemas abiertos en campos, como combinatoria, teoría de números y geometría. Coincidió con los resultados más conocidos en aproximadamente el 75% de los casos y los excedió en rodeando del 20%. Estos éxitos incluyeron mejoras en el problema de superposición mínima de ERDő, una alternativa más densa al problema del número de besos en 11 dimensiones y configuraciones de embalaje geométrica más eficientes. Estos resultados subrayan su capacidad para realizar como un explorador matemático autónomo: refinar, iterando y evolucionando soluciones cada vez más óptimas sin intervención humana.

2. Optimización en la pila de enumeración de Google

Alphaevolve además ha entregado mejoras de rendimiento tangible en la infraestructura de Google:

• En Programación del centro de datosdescubrió una nueva heurística que mejoró la colocación gremial, recuperando el 0.7% de los posibles de enumeración previamente varados.
• Para Kernels de entrenamiento de GéminisAlphaevolve ideó una mejor logística de alicatado para la multiplicación matricial, produciendo una velocidad del núcleo del 23% y una reducción universal del 1% en el tiempo de entrenamiento.
• En Diseño de circuito de TPUidentificó una simplificación para la deducción aritmética en el RTL (nivel de transferencia de registro), verificada por los ingenieros e incluidos en los chips TPU de próxima gestación.
• Todavía optimizó código de flashatención generado por compilador Al editar representaciones intermedias XLA, reduciendo el tiempo de inferencia en las GPU en un 32%.

Juntos, estos resultados validan la capacidad de Alphaevolve para trabajar en múltiples niveles de conceptualización, desde matemáticas simbólicas hasta optimización de hardware de bajo nivel, y entregar ganancias de rendimiento del mundo positivo.

• Programación evolutiva: Un ideal de IA usando mutación, selección y herencia para refinar iterativamente soluciones.
• Superoptimización del código: La búsqueda automatizada de la implementación más valioso de una función, a menudo produciendo mejoras sorprendentes y contraintuitivas.
• Meta crecimiento rápida: AlphaEvolve no solo evoluciona el código; Todavía evoluciona cómo comunica las instrucciones a LLMS, lo que permite el autocuración del proceso de codificación.
• Pérdida de discretización: Un término de regularización alienta los resultados a alinearse con los títulos medio enteros o enteros, crítico para la claridad matemática y simbólica.
• Pérdida de ilusión: Un mecanismo para inyectar aleatoriedad en soluciones intermedias, alentando la exploración y evitando los mínimos locales.
• Operación de mapas de elites: Un tipo de operación de riqueza de calidad que mantiene una población diversa de soluciones de detención rendimiento en las dimensiones de características, lo que permite la innovación sólida.

Implicaciones para AGI y ASI

Alphaevolve es más que un optimizador: es un futuro en el que los agentes inteligentes puedan demostrar una autonomía creativa. La capacidad del sistema para formular problemas abstractos y diseñar sus propios enfoques para resolverlos representa un paso significativo en dirección a la inteligencia universal fabricado. Esto va más allá de la predicción de datos: implica un razonamiento estructurado, la formación de estrategias y la acomodo a la feedback, las marcas de comportamiento inteligente.

Su capacidad para difundir y refinar las hipótesis además indica una crecimiento en cómo aprenden las máquinas. A diferencia de los modelos que requieren un entrenamiento supervisado extenso, Alphaevolve mejoría a través de un onda de experimentación y evaluación. Esta forma dinámica de inteligencia le permite navegar espacios de problemas complejos, descartar soluciones débiles y elevar las más fuertes sin supervisión humana directa.

Al ejecutar y validar sus propias ideas, Alphaevolve funciona como el teórico y el experimentalista. Se avanza más allá de realizar tareas predefinidas y en el ámbito del descubrimiento, simulando un proceso irrefutable autónomo. Cada mejoría propuesta se prueba, comparó y reintegra, lo que sigue para un refinamiento continuo basado en resultados reales en oportunidad de objetivos estáticos.

Quizás lo más trascendente, Alphaevolve es una instancia temprana de superación personal recursiva, donde un sistema de IA no solo aprende sino que mejoría los componentes de sí mismo. En varios casos, Alphaevolve mejoró la infraestructura de entrenamiento que respalda sus propios modelos de colchoneta. Aunque todavía está restringido por las arquitecturas actuales, esta capacidad establece un precedente. Con más problemas enmarcados en entornos evaluables, Alphaevolve podría ascender en dirección a un comportamiento cada vez más sofisticado y autoptimizante, un nota fundamental de la superinteligencia fabricado (ASI).

Limitaciones y trayectoria futura

La término flagrante de Alphaevolve es su dependencia de las funciones de evaluación automatizadas. Esto limita su utilidad a los problemas que se pueden formalizar matemáticamente o algorítmicamente. Todavía no puede trabajar significativamente en dominios que requieren comprensión humana tácita, discernimiento subjetivo o experimentación física.

Sin incautación, las instrucciones futuras incluyen:

• Integración de la evaluación híbrida: combinación del razonamiento simbólico con preferencias humanas y críticas de jerga natural.
• Despliegue en entornos de simulación, lo que permite la experimentación científica incorporada.
• La destilación de las expectativas evolucionadas en LLMS bases, creando modelos de colchoneta más capaces y eficientes en muestras.

Estas trayectorias apuntan en dirección a sistemas cada vez más agentes capaces de resolver problemas autónomos y de detención aventura.

Conclusión

Alphaevolve es un profundo paso delante, no solo en las herramientas de IA, sino en nuestra comprensión de la inteligencia de la máquina en sí. Al fusionar la búsqueda evolutiva con el razonamiento y la feedback de LLM, redefine lo que las máquinas pueden descubrir de forma autónoma. Es una señal temprana pero significativa de que los sistemas de compañía autónoma capaces de un pensamiento irrefutable positivo ya no son teóricos.

Mirando en dirección a el futuro, la cimentación que sustenta el alfaevolvo podría aplicarse de forma recursiva a sí misma: progresar sus propios evaluadores, mejorar la deducción de mutación, refinar las funciones de puntuación y optimizar las tuberías de entrenamiento subyacentes para los modelos de los que depende. Este onda de optimización recursivo representa un mecanismo técnico para el inicio en dirección a AGI, donde el sistema no simplemente completa las tareas, sino que mejoría la infraestructura que permite su estudios y razonamiento.

Con el tiempo, a medida que Alphaevolve se escalera en dominios más complejos y abstractos, y a medida que disminuye la intervención humana en el proceso, puede exhibir ganancias de inteligencia aceleradas. Este ciclo de auto-refuerzo de mejoría iterativa, aplicada no solo a problemas externos, sino además a su propia estructura algorítmica, es un componente teórico secreto de AGI y todos los beneficios que podría proporcionar a la sociedad. Con su combinación de creatividad, autonomía y recursión, Alphaevolve puede ser recordado no solo como un producto de DeepMind, sino como un plan para las primeras mentes artificiales verdaderamente generales y coche evolucionadas.