Jeff Dean fez na semana passada uma observação que chamou a atenção do setor de chips: o AlphaEvolve já está otimizando a camada de hardware mais baixa da pilha de IA do Google.
Não se trata de mais um assistente de programação. O sistema de otimização da DeepMind propôs um desenho de circuito contraintuitivo, mas altamente eficiente, que o Google incorporou ao silício da próxima geração de TPUs. Em 8 de maio, a empresa disse que pretende abrir a tecnologia para clientes do Cloud.
AlphaEvolve não é um assistente de código
Copilot ou Claude Code ajudam a escrever código de aplicação, completar funções e corrigir bugs. O AlphaEvolve atua em um espaço mais estreito e profundo. Dado um objetivo mensurável, como reduzir tempo de treinamento, diminuir taxa de erro ou otimizar rotas, ele busca algoritmos e configurações de sistema melhores.
O Gemini Flash gera candidatos em grande volume, o Gemini Pro avalia e critica com mais profundidade, e um algoritmo evolutivo descarta soluções fracas enquanto preserva as mais promissoras para a próxima rodada. Não é busca nem chat; é um ciclo automático para melhorar métricas já definidas.
Os números internos do Google são concretos
Segundo o Google, o AlphaEvolve é usado internamente há mais de um ano. A empresa cita redução de 20% na write amplification do Spanner, quase 9% menos armazenamento de software no compilador, queda de 30% nos erros de detecção de variantes do DeepConsensus, aumento da taxa de soluções viáveis no AC Optimal Power Flow de 14% para 88%, e redução dos erros de simulação molecular no chip quântico Willow para um décimo.
O sistema também acelerou em 23% um kernel importante da arquitetura Gemini, cortando 1% do tempo total de treinamento. No escalonamento de data centers, a solução estaria rodando há mais de um ano em produção e recuperando continuamente 0,7% da capacidade global de computação do Google.
Clientes iniciais mostram ganhos financeiros
A Schrödinger usou o AlphaEvolve para tornar quatro vezes mais rápidos o treinamento e a inferência de um modelo de machine-learning force field. A Klarna dobrou a velocidade de treinamento e melhorou a qualidade do modelo. A WPP relatou ganho de 10% em precisão. A FM Logistics otimizou rotas em 10,4% e economizou mais de 15.000 quilômetros de transporte em um ano.
Esses indicadores importam porque se convertem diretamente em energia, tempo de engenharia, experiência do cliente e custos logísticos.
A adoção empresarial ainda exige respostas
O AlphaEvolve se encaixa em desenho de chips, ajuste de bancos de dados, sistemas de escalonamento, computação científica e busca de rotas de síntese química: problemas com meta clara, espaço de parâmetros enorme e tentativa manual cara.
Antes de comprar, empresas precisarão entender preço, limites de workload, governança de dados, auditoria, reprodutibilidade e rollback. Ainda assim, a passagem do AlphaEvolve do laboratório para um serviço de Cloud sinaliza que ferramentas de pesquisa da DeepMind estão virando produtos. O AlphaFold abriu caminho para a indústria farmacêutica; o AlphaEvolve pode fazer o mesmo para cloud computing e TI corporativa.
Fontes: CocoLoop