Jeff Dean pekan lalu memberi sinyal penting bagi dunia chip: AlphaEvolve sudah dipakai untuk mengoptimalkan lapisan perangkat keras paling dasar dalam stack AI Google.
Ini bukan sekadar asisten coding baru. Sistem optimisasi DeepMind itu telah mengusulkan desain sirkuit yang tidak intuitif tetapi sangat efisien, lalu Google memasukkannya ke silikon TPU generasi berikutnya. Pada 8 Mei, Google mengatakan teknologi ini akan dibuka untuk pelanggan Cloud.
AlphaEvolve bukan alat penulis kode
Copilot atau Claude Code membantu menulis kode aplikasi, melengkapi fungsi, dan memperbaiki bug. AlphaEvolve bekerja pada ruang yang lebih sempit dan lebih dalam. Jika diberi target terukur, seperti waktu pelatihan lebih pendek, tingkat kesalahan lebih rendah, atau rute lebih optimal, ia mencari algoritma dan konfigurasi sistem yang lebih baik.
Gemini Flash menghasilkan banyak kandidat, Gemini Pro mengevaluasi dan mengkritik lebih dalam, lalu algoritma evolusioner membuang solusi lemah dan mempertahankan yang kuat untuk iterasi berikutnya. Ini bukan mesin pencari atau chatbot, melainkan loop otomatis untuk mengejar metrik yang sudah jelas.
Angka internal Google cukup keras
Google mengatakan AlphaEvolve telah digunakan secara internal selama lebih dari setahun. Contohnya mencakup penurunan write amplification Spanner sebesar 20%, pengurangan hampir 9% pada penyimpanan perangkat lunak compiler, penurunan 30% pada kesalahan deteksi varian DeepConsensus, kenaikan tingkat solusi layak AC Optimal Power Flow dari 14% menjadi 88%, serta penurunan kesalahan simulasi molekul pada chip kuantum Willow menjadi sepersepuluh dari sebelumnya.
Sistem ini juga mempercepat kernel penting dalam arsitektur Gemini sebesar 23%, memangkas waktu pelatihan keseluruhan 1%. Untuk penjadwalan pusat data, Google menyebut solusinya sudah berjalan lebih dari setahun di produksi dan terus memulihkan 0,7% kapasitas komputasi global.
Uji awal pelanggan mengarah ke penghematan nyata
Schrödinger memakai AlphaEvolve untuk membuat pelatihan dan inferensi model machine-learning force field empat kali lebih cepat. Klarna menggandakan kecepatan pelatihan sambil meningkatkan kualitas model. WPP melaporkan kenaikan akurasi 10%. FM Logistics mengoptimalkan rute 10,4% dan menghemat lebih dari 15.000 kilometer perjalanan dalam setahun.
Nilai angka-angka itu ada pada dampaknya terhadap listrik, waktu rekayasa, pengalaman pelanggan, dan biaya logistik, bukan sekadar narasi bahwa perusahaan memakai AI.
Pertanyaan bisnis masih harus dijawab
AlphaEvolve paling cocok untuk desain chip, tuning basis data, penjadwalan, komputasi ilmiah, dan pencarian rute sintesis kimia: masalah dengan tujuan jelas, ruang parameter luas, dan trial-and-error manusia yang mahal.
Sebelum membeli, perusahaan tetap perlu memahami harga, batas beban kerja, tata kelola data, auditabilitas, reproduksibilitas, dan mekanisme rollback. Namun langkah membawa AlphaEvolve dari lab ke layanan Cloud menunjukkan bahwa riset DeepMind sedang berubah menjadi produk. AlphaFold membuka jalur untuk farmasi; AlphaEvolve bisa menjadi jalur berikutnya untuk cloud computing dan TI perusahaan.
Sumber: CocoLoop