AlphaEvolve revoluciona la optimización de algoritmos en Google

Google DeepMind ha creado un nuevo agente de inteligencia artificial llamado AlphaEvolve, capaz de inventar y optimizar algoritmos que ya ha generado mejoras tangibles en la infraestructura tecnológica de Google. Según informó Google DeepMind el 14 de mayo de 2025, AlphaEvolve ha permitido incrementar la eficiencia de los centros de datos y optimizar el diseño de chips, consolidándose como una herramienta de alto impacto tanto para la empresa como para la investigación científica. Este avance, basado en los modelos Gemini y en un sistema de evaluación automática, promete transformar la manera en que se abordan problemas complejos en matemáticas y ciencias computacionales.

Descripción técnica de AlphaEvolve: funcionamiento, base en modelos Gemini y marco evolutivo

AlphaEvolve se distingue de los sistemas previos de inteligencia artificial por su enfoque generalista y su capacidad para abordar una amplia variedad de problemas algorítmicos. De acuerdo con Google DeepMind, el agente utiliza una combinación de modelos de lenguaje de gran escala, específicamente Gemini Flash y Gemini Pro, que trabajan en conjunto para generar y perfeccionar soluciones en forma de código. Gemini Flash explora una amplia gama de ideas, mientras que Gemini Pro aporta profundidad y sugerencias detalladas.

El proceso comienza cuando un usuario introduce un problema junto con posibles soluciones y criterios de evaluación. AlphaEvolve genera múltiples propuestas, que luego son sometidas a un sistema de evaluación automática. Este evaluador cuantifica la precisión y calidad de cada solución, permitiendo que el sistema seleccione y mejore las alternativas más prometedoras mediante un marco evolutivo. Esta metodología reduce la incidencia de “alucinaciones” —errores frecuentes en otros modelos de IA— y garantiza que las respuestas sean verificables y objetivas.

A diferencia de sistemas anteriores como AlphaFold o AlphaTensor, que se especializaban en dominios concretos, AlphaEvolve está diseñado para ser de propósito general. Esto le permite evolucionar algoritmos completos y desarrollar soluciones complejas en diversos campos de la computación y las matemáticas, según detalló Google DeepMind.

Aplicaciones prácticas implementadas: mejoras en centros de datos, chips y entrenamiento de modelos de IA

La integración de AlphaEvolve en la infraestructura de Google ha producido resultados cuantificables. El sistema fue desplegado en el gestor de clústeres Borg, responsable de la organización de los centros de datos de la compañía. AlphaEvolve propuso una heurística sencilla pero eficaz para la programación de tareas, que, tras su implementación, permitió recuperar de forma continua un 0,7% de los recursos de cómputo a nivel global. Para una empresa de la magnitud de Google, este porcentaje representa un ahorro operativo significativo.

En el ámbito del hardware, AlphaEvolve sugirió una modificación en el lenguaje de descripción de hardware Verilog para los chips Tensor Processing Unit (TPU), eliminando bits innecesarios en un circuito aritmético clave. Aunque la propuesta aún se encuentra en proceso de verificación, se espera que forme parte de la próxima generación de procesadores de Google.

El impacto de AlphaEvolve también se extiende al entrenamiento de modelos de inteligencia artificial. El sistema identificó formas más eficientes de dividir operaciones de multiplicación de matrices, acelerando en un 23% el núcleo de la arquitectura Gemini y reduciendo en un 1% el tiempo total de entrenamiento de estos modelos. Además, AlphaEvolve logró una mejora de hasta el 32,5% en la velocidad del kernel FlashAttention, utilizado en modelos de IA basados en transformadores. Estas optimizaciones no solo incrementan el rendimiento, sino que también disminuyen el tiempo y los recursos necesarios para el desarrollo de nuevas tecnologías.

Avances en matemáticas y ciencia: descubrimiento de nuevos algoritmos y resolución de problemas abiertos

AlphaEvolve ha demostrado su capacidad para abordar desafíos matemáticos de alta complejidad. Según la información publicada por Google DeepMind, el agente diseñó un procedimiento de optimización que permitió descubrir varios algoritmos novedosos para la multiplicación de matrices, un problema fundamental en ciencias computacionales. En particular, AlphaEvolve encontró un algoritmo para multiplicar matrices complejas de 4x4 utilizando 48 multiplicaciones escalares, superando el método propuesto por Volker Strassen en 1969, que hasta entonces era el más eficiente conocido para este caso.

El sistema fue sometido a pruebas con más de 50 problemas abiertos en áreas como análisis matemático, geometría, combinatoria y teoría de números. En aproximadamente el 75% de los casos, AlphaEvolve redescubrió las mejores soluciones existentes, y en el 20% de los problemas logró mejorar los resultados previos. Entre los avances destacados se encuentra el progreso en el problema del número de besos, donde AlphaEvolve identificó una configuración de 593 esferas externas, estableciendo un nuevo límite inferior en 11 dimensiones.

Estos logros, aunque incrementales y no revolucionarios, evidencian el potencial de AlphaEvolve para acelerar la investigación y liberar a los expertos para que se concentren en tareas de mayor relevancia, según subrayó el equipo de DeepMind.

Limitaciones y alcance actual: problemas abordables, restricciones de uso y acceso temprano

A pesar de sus capacidades, AlphaEvolve presenta limitaciones inherentes a su diseño. El sistema solo puede resolver problemas cuya solución sea auto-evaluable y pueda describirse como un algoritmo. Esto restringe su aplicación a campos como la informática, la optimización de sistemas y ciertas áreas de las matemáticas, excluyendo problemas que no sean numéricos o que no permitan una verificación automática.

Actualmente, el acceso a AlphaEvolve está limitado al equipo de Google y a investigadores seleccionados. DeepMind ha anunciado la creación de un programa de acceso temprano para usuarios académicos, con la intención de ampliar gradualmente la disponibilidad del sistema. La complejidad y los recursos computacionales requeridos impiden, por ahora, su uso público generalizado, aunque se exploran alternativas para integrar su enfoque evaluativo en herramientas de menor escala.

Perspectivas futuras: expansión a nuevas áreas y desarrollo de interfaz de usuario

Google DeepMind prevé que AlphaEvolve continúe evolucionando a medida que los modelos de lenguaje avanzan en sus capacidades de programación. La empresa, en colaboración con el equipo People + AI Research, trabaja en el desarrollo de una interfaz de usuario que facilite la interacción con el agente y permita su adopción por una comunidad más amplia.

El carácter generalista de AlphaEvolve abre la puerta a su aplicación en sectores como la ciencia de materiales, el descubrimiento de fármacos, la sostenibilidad y otras áreas tecnológicas y empresariales. “Estamos planeando un programa de acceso temprano para usuarios académicos seleccionados y también exploramos posibilidades para hacer AlphaEvolve más ampliamente disponible”, indicó el equipo de DeepMind según Google DeepMind.

La expectativa es que, conforme los modelos de lenguaje continúen mejorando, AlphaEvolve amplíe su alcance y contribuya a resolver desafíos cada vez más complejos en la ciencia y la tecnología.