​Google DeepMind показала AlphaEvolve как систему, которая сама перебирает код алгоритмов и уже ускоряет чтение геномов PacBio, квантовые симуляции, инфраструктуру Google и молекулярное моделирование
DeepMind выпустила отчёт о годе работы AlphaEvolve, агента на базе Gemini, который переписывает код алгоритмов и отбирает лучшие версии через автоматические проверки. В списке примеров есть 30% меньше ошибок при поиске генетических вариантов у PacBio, примерно 4-кратное ускорение силовых ML-моделей у Schrödinger и оптимизации внутри инфраструктуры Google.

7 мая Google DeepMind опубликовала отчёт по AlphaEvolve. Это система для поиска алгоритмов: человек задаёт задачу в коде, пишет проверку результата, а агент на базе Gemini Flash и Gemini Pro предлагает новые версии алгоритма, прогоняет их через автоматический тест и оставляет те, которые получили лучший балл.

Днём раньше Google Cloud описал соседний слой Alphabet для фармы: модели вроде AlphaFold и AI Co-Scientist должны доехать до рабочих процессов компаний. AlphaEvolve отвечает за другой этаж той же машины. Он ищет кодовые улучшения для секвенатора, симулятора, кластера или квантового процессора. Когда ИИ улучшает этот слой, он ускоряет машину, которая производит данные и расчёты.

Самый близкий к биомедицине пример дал PacBio. Компания 30 апреля отдельно описала, как AlphaEvolve помог улучшить DeepConsensus, модель для исправления ошибок в HiFi long-read sequencing. HiFi-секвенирование читает длинные участки ДНК много раз и собирает из повторных проходов более точную последовательность. DeepConsensus уже раньше снижал ошибки таких прочтений примерно на 42% по сравнению с прежними подходами, а новая работа затронула функцию потерь — правило, по которому модель понимает, насколько сильно ошиблась при обучении.

AlphaEvolve оптимизировал выравнивание ДНК в ограниченной полосе и помог добавить модификацию, которую PacBio называет convex hull. На практике это встроили в Revio-системы. DeepMind говорит о 30% снижении ошибок при поиске генетических вариантов, а PacBio связывает обновление с более точной калибровкой качества, большим числом пригодных прочтений за запуск и будущей химией SPRQ-Nx, где цена одного HiFi-генома должна опуститься примерно до $345.

В разработке лекарств DeepMind даёт меньше деталей, но сам пример понятен. DeepMind пишет, что Schrödinger применил AlphaEvolve к силовым полям машинного обучения — ML-моделям, которые приближённо считают энергии и силы между атомами. Заявленный результат: примерно 4-кратное ускорение обучения и применения модели. Если такая скорость переносится на рабочие пайплайны, химики быстрее перебирают молекулы, катализаторы и материалы до мокрой проверки.

Остальные примеры показывают ширину инструмента. AlphaEvolve нашёл квантовые схемы с 10-кратно меньшей ошибкой для молекулярных симуляций на Willow, улучшал правила замены данных в кэше, уменьшал лишние записи в Google Spanner на 20%, давал оптимизации компилятора с почти 9% меньшим объёмом кода и предлагал решения для TPU-дизайна. Такой агент отличается от образа «ИИ-помощника учёного», который читает PDF и пишет резюме: он лезет в код, где есть строгий измеритель качества.

Ограничение следует из метода. AlphaEvolve силён там, где есть быстрая проверка: программа запускается, балл считается, плохие варианты выкидываются. Биология часто хуже устроена для такого режима. Клетка отвечает медленно, мышь стареет месяцами, клинический исход может ждать годы.

AlphaEvolve оставляет на месте мокрую проверку, клинику и шум живых систем. Зато он сжимает цифровые участки вокруг них: геномное чтение, молекулярные расчёты, оптимизацию моделей, вычислительные ресурсы и инженерные эвристики. Так гипотезы получают более быстрый путь к проверяемым данным и расчётам.