Jeff Dean dejó la semana pasada un mensaje difícil de ignorar para la industria de chips: AlphaEvolve ya está optimizando la capa de hardware más baja del stack de IA de Google.
No es otro asistente para escribir código. El sistema de optimización de DeepMind propuso un diseño de circuito contraintuitivo pero muy eficiente, y Google lo integró en el silicio de la próxima generación de TPU. El 8 de mayo, la compañía dijo que planea abrir esta tecnología a clientes de Cloud.
AlphaEvolve no es un asistente de programación
Copilot o Claude Code ayudan a escribir código de aplicación, completar funciones y corregir errores. AlphaEvolve trabaja en un terreno más estrecho y más profundo. Si recibe un objetivo medible, como reducir tiempo de entrenamiento, bajar la tasa de error u optimizar rutas, busca algoritmos y configuraciones de sistema mejores.
Gemini Flash genera muchas opciones, Gemini Pro las evalúa con más detalle, y un algoritmo evolutivo descarta las soluciones débiles mientras conserva las fuertes para la siguiente iteración. No es búsqueda ni chat: es un bucle automático para mejorar métricas ya definidas.
Los resultados internos de Google son contundentes
Google afirma que AlphaEvolve se usa internamente desde hace más de un año. La lista incluye una reducción del 20% en la write amplification de Spanner, casi 9% menos almacenamiento de software en el compilador, 30% menos errores en la detección de variantes de DeepConsensus, un aumento de soluciones factibles en AC Optimal Power Flow de 14% a 88%, y errores de simulación molecular en el chip cuántico Willow reducidos a una décima parte.
También aceleró un kernel clave de la arquitectura Gemini en 23%, reduciendo 1% el tiempo total de entrenamiento. En planificación de centros de datos, Google dice que la solución lleva más de un año en producción y recupera de forma continua 0,7% de su capacidad global de cómputo.
Los primeros clientes apuntan a ahorro real
Schrödinger usó AlphaEvolve para acelerar cuatro veces el entrenamiento y la inferencia de un modelo de machine-learning force field. Klarna duplicó la velocidad de entrenamiento y mejoró la calidad del modelo. WPP obtuvo una mejora de precisión del 10%. FM Logistics optimizó rutas en 10,4% y ahorró más de 15.000 kilómetros de transporte en un año.
Estas cifras importan porque se traducen en electricidad, tiempo de ingeniería, experiencia de cliente y costes logísticos, no solo en una historia genérica de adopción de IA.
La empresa aún debe resolver dudas operativas
AlphaEvolve encaja en diseño de chips, ajuste de bases de datos, planificación, computación científica y búsqueda de rutas de síntesis química: problemas con objetivos claros, espacios de parámetros enormes y ensayo humano limitado.
Antes de comprarlo, las empresas tendrán que aclarar precios, límites de carga de trabajo, gestión de datos, auditabilidad, reproducibilidad y rollback. Aun así, que AlphaEvolve pase del laboratorio a un servicio de Cloud es una señal relevante. AlphaFold abrió el camino para farma; AlphaEvolve podría hacerlo para cloud computing y TI empresarial.
Fuentes: CocoLoop