Jeff Dean a envoyé la semaine dernière un signal que l’industrie des puces ne peut pas vraiment ignorer : AlphaEvolve optimise désormais les couches matérielles les plus basses de la pile IA de Google.
Il ne s’agit pas d’un nouvel assistant de programmation. Le système d’optimisation de DeepMind a proposé une conception de circuit contre-intuitive mais très efficace, que Google a intégrée au silicium de la prochaine génération de TPU. Le 8 mai, l’entreprise a indiqué vouloir ouvrir cette technologie aux clients Cloud.
AlphaEvolve n’est pas un assistant de code
Copilot ou Claude Code aident à écrire du code applicatif, compléter des fonctions et corriger des bugs. AlphaEvolve vise un espace plus étroit et plus profond. À partir d’un objectif mesurable, comme réduire le temps d’entraînement, abaisser le taux d’erreur ou optimiser un trajet, il cherche de meilleurs algorithmes et configurations système.
Gemini Flash génère de nombreux candidats, Gemini Pro les évalue plus finement, puis un algorithme évolutionnaire écarte les solutions faibles et conserve les meilleures pour l’itération suivante. Ce n’est ni un moteur de recherche ni un chat : c’est une boucle automatique pour améliorer des métriques déjà définies.
Les chiffres internes de Google sont solides
Google affirme utiliser AlphaEvolve en interne depuis plus d’un an. Les exemples cités incluent une réduction de 20% de la write amplification de Spanner, près de 9% de stockage logiciel en moins pour le compilateur, 30% d’erreurs en moins dans la détection de variants par DeepConsensus, un taux de solutions faisables pour AC Optimal Power Flow passé de 14% à 88%, et des erreurs de simulation moléculaire sur la puce quantique Willow réduites à un dixième.
Le système a aussi accéléré de 23% un kernel clé de l’architecture Gemini, réduisant le temps total d’entraînement de 1%. Pour l’ordonnancement des centres de données, Google dit que la solution fonctionne en production depuis plus d’un an et récupère continuellement 0,7% de sa capacité mondiale de calcul.
Les premiers clients montrent des gains concrets
Schrödinger a utilisé AlphaEvolve pour rendre quatre fois plus rapides l’entraînement et l’inférence d’un modèle de machine-learning force field. Klarna a doublé la vitesse d’entraînement tout en améliorant la qualité du modèle. WPP a obtenu un gain de précision de 10%. FM Logistics a optimisé ses itinéraires de 10,4% et économisé plus de 15.000 kilomètres de transport en un an.
Ces résultats comptent parce qu’ils se traduisent directement en énergie, temps d’ingénierie, expérience client et coûts logistiques, au-delà d’un simple discours sur l’adoption de l’IA.
Les entreprises doivent encore cadrer l’usage
AlphaEvolve convient aux puces, au réglage de bases de données, à l’ordonnancement, au calcul scientifique et à la recherche de voies de synthèse chimique : des problèmes dont l’objectif est clair, mais dont l’espace de paramètres est trop vaste pour l’essai-erreur humain.
Avant de l’acheter, les entreprises devront clarifier la tarification, les limites de workload, la gouvernance des données, l’auditabilité, la reproductibilité et le rollback. Le passage d’AlphaEvolve du laboratoire vers un service Cloud reste néanmoins un signal fort. AlphaFold a ouvert la voie dans la pharmacie ; AlphaEvolve pourrait le faire pour le cloud computing et l’IT d’entreprise.
Sources : CocoLoop