Jeff Dean tuần trước đưa ra một thông điệp khiến giới chip phải chú ý: AlphaEvolve đã bắt đầu tối ưu ở lớp phần cứng thấp nhất trong stack AI của Google.
Đây không phải câu chuyện về một trợ lý lập trình nữa. Hệ thống tối ưu của DeepMind đã đề xuất một thiết kế mạch trái trực giác nhưng rất hiệu quả, và Google đã đưa thiết kế đó vào silicon TPU thế hệ kế tiếp. Ngày 8 tháng 5, Google cho biết sẽ mở công nghệ này cho khách hàng Cloud.
AlphaEvolve không phải công cụ viết mã
Copilot hay Claude Code giúp viết mã ứng dụng, hoàn thiện hàm và sửa lỗi. AlphaEvolve nhắm vào phạm vi hẹp hơn nhưng sâu hơn. Khi có mục tiêu đo được, chẳng hạn rút ngắn thời gian huấn luyện, giảm tỷ lệ lỗi hoặc tối ưu tuyến đường, nó tìm thuật toán và cấu hình hệ thống tốt hơn.
Gemini Flash tạo nhiều phương án, Gemini Pro đánh giá và phản biện sâu hơn, còn thuật toán tiến hóa loại bỏ lời giải yếu và giữ lời giải tốt cho vòng lặp tiếp theo. Đây không phải tìm kiếm hay trò chuyện, mà là vòng lặp tự động để cải thiện các chỉ số đã được xác định rõ.
Các con số nội bộ của Google rất đáng chú ý
Google nói AlphaEvolve đã được dùng nội bộ hơn một năm. Các ví dụ gồm giảm 20% write amplification của Spanner, giảm gần 9% dung lượng lưu trữ phần mềm compiler, giảm 30% lỗi phát hiện biến thể của DeepConsensus, nâng tỷ lệ lời giải khả thi của AC Optimal Power Flow từ 14% lên 88%, và giảm lỗi mô phỏng phân tử trên chip lượng tử Willow xuống còn một phần mười.
Hệ thống cũng tăng tốc một kernel quan trọng trong kiến trúc Gemini thêm 23%, giảm 1% tổng thời gian huấn luyện. Trong lập lịch trung tâm dữ liệu, Google cho biết giải pháp của AlphaEvolve đã chạy trong sản xuất hơn một năm và liên tục thu hồi 0,7% tài nguyên tính toán toàn cầu.
Khách hàng thử nghiệm cho thấy lợi ích có thể quy ra tiền
Schrödinger dùng AlphaEvolve để tăng tốc huấn luyện và suy luận mô hình machine-learning force field lên 4 lần. Klarna tăng gấp đôi tốc độ huấn luyện đồng thời cải thiện chất lượng mô hình. WPP đạt mức tăng độ chính xác 10%. FM Logistics tối ưu tuyến đường 10,4%, tiết kiệm hơn 15.000 km vận chuyển trong một năm.
Những số liệu này quan trọng vì chúng gắn trực tiếp với tiền điện, thời gian kỹ sư, trải nghiệm khách hàng và chi phí logistics, chứ không chỉ là khẩu hiệu dùng AI.
Doanh nghiệp vẫn cần câu trả lời vận hành
AlphaEvolve phù hợp với thiết kế chip, tinh chỉnh cơ sở dữ liệu, hệ thống lập lịch, tính toán khoa học và tìm đường tổng hợp hóa học, nơi mục tiêu rõ ràng nhưng không gian tham số quá lớn để con người thử thủ công hiệu quả.
Trước khi mua, doanh nghiệp cần hiểu cách định giá, ranh giới workload, quản trị dữ liệu, khả năng kiểm toán, khả năng tái lập và cách rollback khi có sự cố. Dù vậy, việc AlphaEvolve đi từ phòng thí nghiệm sang dịch vụ Cloud là tín hiệu rõ ràng: các công cụ nghiên cứu của DeepMind đang lần lượt được thương mại hóa. AlphaFold mở đường cho ngành dược; AlphaEvolve có thể là trường hợp tiếp theo cho điện toán đám mây và CNTT doanh nghiệp.
Nguồn: CocoLoop