Seit seiner Einführung vor einem Jahr hat sich AlphaEvolve von einem Forschungsexperiment zu einem leistungsstarken Werkzeug für die Lösung komplexer globaler Herausforderungen entwickelt. Das von Google DeepMind und Google Cloud entwickelte System nutzt einen evolutionären Algorithmus, der auf Googles Gemini-Technologie basiert. Es ist in der Lage, Algorithmen iterativ zu entdecken und zu optimieren, wodurch es seit Jahrzehnten ungelöste mathematische Probleme vorantreibt und nun auch in Bereichen wie Wissenschaft und Gesellschaft greift. Im vergangenen Jahr demonstrierte AlphaEvolve seine Vielseitigkeit in verschiedenen Forschungsbereichen. Es trug zur Verbesserung der Fehlerkorrektur bei der DNA-Sequenzierung bei, erhöhte die Genauigkeit von Katastrophenvorhersagen und zeigte in Simulationen das Potenzial zur Stabilisierung von Stromnetzen. Darüber hinaus beschleunigt das System wissenschaftliche Entdeckungen, indem es Forschern hilft, komplexe molekulare Simulationen durchzuführen und neue Erkenntnisse in der Neurowissenschaft zu gewinnen. Parallel dazu treibt AlphaEvolve konkrete geschäftliche Ergebnisse voran. Es macht die eigene Infrastruktur von Google effizienter und unterstützt Kunden des Google Cloud-Dienstes dabei, Machine-Learning-Modelle zu verbessern, Arzneimittelforschung zu beschleunigen, Lieferketten zu optimieren und Lagerdesigns zu verfeinern. Ein besonders bemerkenswertes Beispiel aus der Infrastruktur von Google ist die Optimierung von Tensor Processing Units (TPUs). AlphaEvolve entwickelte ein Design, das so effizient, aber gegen die Intuition des Menschen war, dass es direkt in die Siliziumchips der nächsten TPU-Generation integriert wurde. Zudem reduzierte eine Optimierung der Datenbanklogik für Google Spanner die Schreib-Amplifikation um 20 Prozent, und neue Strategien für Compiler senkten den Speicherbedarf von Software um fast 9 Prozent. Auch in der kommerziellen Anwendung zeigt das System erhebliche Erfolge. Im Finanzsektor verdoppelte der Zahlungsanbieter Klarna die Trainingsgeschwindigkeit eines seiner größten Transformer-Modelle, während gleichzeitig die Modellqualität stieg. Im Halbleitersektor erreichte Substrate durch den Einsatz von AlphaEvolve eine mehrfache Steigerung der Laufzeitgeschwindigkeit in seiner computergestützten Lithografie, was wesentlich größere Simulationen ermöglichte. Die Logistikfirma FM Logistic nutzte die Technologie, um komplexe Routenplanungsprobleme zu lösen, was zu einer Effizienzsteigerung von 10,4 Prozent führte und jährlich über 15.000 Kilometer Fahrtstrecke einsparte. Im Werbebereich verbesserte WPP die Genauigkeit seiner Kampagnenmodelle um zehn Prozent. Auch im Bereich der Lebenswissenschaften erzielte Schrödinger mit AlphaEvolve eine vierfache Beschleunigung beim Training und der Inferenz von Machine-Learning-Force-Fields, was die Forschung und Entwicklung in der Arzneimitteldiscovery und Materialentwicklung deutlich verkürzt. Die bisherigen Ergebnisse zeigen, dass Algorithmen, die sich selbst verbessern, lernen und optimieren, den nächsten Durchbruch in der Technologie antreiben werden. Google plant, diese Fähigkeiten auszuweiten, um noch mehr reale Herausforderungen zu bewältigen. Das Projekt wurde von einem breiten Team von Entwicklern und Forschern vorangetrieben und wird als Teil einer größeren Initiative zur Nutzung von KI für die Algorithmenentwicklung weiterverfolgt.