Jeff Dean setzte vergangene Woche ein Signal, das die Chipbranche ernst nehmen dürfte: AlphaEvolve optimiert inzwischen auf der untersten Hardwareebene von Googles AI-Stack.
Es geht dabei nicht um einen weiteren Coding-Assistenten. Das Optimierungssystem von DeepMind hat ein kontraintuitives, aber sehr effizientes Schaltungsdesign vorgeschlagen, das Google in das Silizium der nächsten TPU-Generation integriert hat. Am 8. Mai kündigte Google an, AlphaEvolve auch Cloud-Kunden zugänglich machen zu wollen.
AlphaEvolve ist kein Code-Assistent
Copilot oder Claude Code helfen beim Schreiben von Anwendungscode, bei Funktionen und Bugs. AlphaEvolve arbeitet enger und tiefer. Wird ein messbares Ziel vorgegeben, etwa kürzere Trainingszeit, niedrigere Fehlerrate oder bessere Routen, sucht das System nach passenden Algorithmen und Systemkonfigurationen.
Gemini Flash erzeugt viele Kandidaten, Gemini Pro bewertet und kritisiert sie genauer, und ein evolutionärer Algorithmus verwirft schwache Lösungen, während starke in die nächste Iteration gehen. Das ist weder Suche noch Chat, sondern ein automatischer Regelkreis für klar definierte Optimierungsziele.
Die internen Zahlen von Google sind deutlich
Google zufolge läuft AlphaEvolve intern seit mehr als einem Jahr. Genannt werden 20% weniger Write Amplification bei Spanner, knapp 9% weniger Software-Speicherbedarf im Compiler, 30% weniger Fehler bei der Variantenerkennung von DeepConsensus, eine Steigerung der lösbaren Fälle bei AC Optimal Power Flow von 14% auf 88% und eine Reduktion der Molekülsimulationsfehler auf dem Willow-Quantenchip auf ein Zehntel.
Außerdem wurde ein zentraler Kernel in der Gemini-Architektur um 23% beschleunigt, wodurch die gesamte Trainingszeit um 1% sank. Beim Scheduling in Rechenzentren soll AlphaEvolve seit mehr als einem Jahr in Produktion laufen und dauerhaft 0,7% der weltweiten Google-Rechenkapazität zurückgewinnen.
Frühe Kundenbeispiele zeigen wirtschaftliche Wirkung
Schrödinger beschleunigte Training und Inferenz eines Machine-Learning-Force-Field-Modells um den Faktor vier. Klarna verdoppelte die Trainingsgeschwindigkeit und verbesserte zugleich die Modellqualität. WPP meldete 10% höhere Genauigkeit. FM Logistics optimierte Routen um 10,4% und sparte in einem Jahr mehr als 15.000 Kilometer Transportstrecke.
Diese Werte zählen, weil sie sich unmittelbar in Stromkosten, Entwicklungszeit, Kundenerlebnis und Logistikkosten übersetzen lassen.
Vor dem Unternehmenseinsatz bleiben Fragen
AlphaEvolve passt zu Chipdesign, Datenbank-Tuning, Scheduling, wissenschaftlichem Rechnen und der Suche nach chemischen Synthesewegen: klare Ziele, riesige Parameterräume und begrenzte Effizienz menschlicher Versuch-und-Irrtum-Arbeit.
Unternehmen müssen vor dem Kauf aber Preislogik, Workload-Grenzen, Datenkontrolle, Auditierbarkeit, Reproduzierbarkeit und Rollback klären. Dass AlphaEvolve vom Forschungslabor in Richtung Cloud-Service wandert, ist dennoch ein starkes Signal. AlphaFold öffnete den Weg in die Pharmaindustrie; AlphaEvolve könnte ihn für Cloud Computing und Unternehmens-IT öffnen.
Quellen: CocoLoop