Un an après son introduction, AlphaEvolve, un agent codant alimenté par Gemini, a évolué d'un projet de recherche vers un moteur puissant de résolution de problèmes réels. Développé par Google DeepMind et Google Cloud, cet algorithme évolutif découvre et optimise itérativement des algorithmes pour des défis complexes. Au cours de la dernière année, il a contribué à la progression scientifique et sociétale, améliorant la correction d'erreurs de séquençage de l'ADN, la précision des prévisions de catastrophes et la stabilité des réseaux électriques en simulation. Il accélère également la découverte scientifique en facilitant des simulations moléculaires complexes et en ouvrant de nouvelles perspectives en neuroscience. Au-delà de la recherche, AlphaEvolve génère des résultats commerciaux concrets. Il a rendu l'infrastructure de Google elle-même plus efficace, notamment en optimisant la conception des prochaines générations de puces TPU et en découvrant des politiques de remplacement de cache plus performantes. Ce qui prenait des mois aux équipes humaines a été accompli en deux jours. Jeff Dean, scientifique en chef de Google DeepMind, a souligné que le système a proposé des conceptions de circuits contre-intuitives mais extrêmement efficaces, directement intégrées dans les siliciums de nouvelle génération. De plus, l'outil a amélioré l'efficacité de Google Spanner en réduisant l'amplification des écritures de 20 %, et a conduit à des stratégies d'optimisation des compilateurs réduisant l'empreinte logicielle de près de 9 %. Partenariat avec Google Cloud, la technologie est désormais mise à la disposition des entreprises pour divers secteurs. Dans les services financiers, Klarna a utilisé AlphaEvolve pour optimiser l'un de ses plus grands modèles de transformateurs, doublant la vitesse d'entraînement tout en améliorant la qualité du modèle. Dans la fabrication de semi-conducteurs, Substrate a intégré le système à son cadre de lithographie computationnelle, obtenant une augmentation multiplicative de la vitesse d'exécution et permettant de simuler des semi-conducteurs avancés plus grands. En logistique, FM Logistic a résolu des défis de routage complexes comme le problème du voyageur de commerce, atteignant une amélioration de 10,4 % de l'efficacité et économisant plus de 15 000 kilomètres parcourus annuellement. Dans le domaine de la publicité et du marketing, WPP a affiné les composants de ses modèles d'IA pour naviguer dans des données de campagne complexes, enregistrant un gain de précision de 10 % par rapport aux optimisations manuelles. Dans les sciences de la matière et du vivant, Schrödinger a obtenu une accélération d'environ quatre fois pour l'entraînement et l'inférence des champs de force appris par machine. Gabriel Marques, responsable technique en apprentissage automatique chez Schrödinger, a noté que cela permet d'explorer des espaces chimiques plus vastes et de réduire les cycles de R&D de mois à jours. L'avenir d'AlphaEvolve s'annonce prometteur avec l'expansion de ses capacités vers de nouveaux défis externes. Le système démontre que les prochaines percées proviendront d'algorithmes capables d'apprendre, d'évoluer et de s'optimiser eux-mêmes. Cette avancée marque un tournant vers des systèmes d'IA généralistes et auto-améliorants, capables de transformer la gestion des ressources, la découverte de médicaments et l'optimisation industrielle à l'échelle mondiale.