AlphaEvolve: Tác nhân lập trình tích hợp Gemini đang mở rộng tầm ảnh hưởng trên nhiều lĩnh vực như thế nào

Ngày 7 tháng 5 năm 2026 | Khoa học Nhóm tác giả: AlphaEvolve team

Một năm trước, chúng tôi đã giới thiệu AlphaEvolve, một tác nhân lập trình được cung cấp bởi Gemini để thiết kế các thuật toán tiên tiến. Chúng tôi đã chứng minh rằng AlphaEvolve có thể giúp tạo ra những khám phá mới cho các bài toán mở trong toán học và khoa học máy tính, đồng thời tối ưu hóa các thuật toán hiện đã được triển khai trong các phần quan trọng của cơ sở hạ tầng Google.

Ngày nay, vì thuật toán hiện diện trong gần như mọi khía cạnh của cuộc sống, tiềm năng đạt được của AlphaEvolve thậm chí còn rộng lớn hơn. Từ việc giúp giải thích vật lý của thế giới tự nhiên đến vận hành lưới điện và cơ sở hạ tầng tính toán, có vô số cách mà AlphaEvolve có thể giúp đẩy nhanh tiến độ cho các nhà khoa học và doanh nghiệp trong nhiều lĩnh vực khác nhau.

Chúng tôi rất hào hứng được chia sẻ những tác động đáng kể nhất của AlphaEvolve cho đến nay.

Thúc đẩy tác động xã hội và tính bền vững

AlphaEvolve đã giúp phát hiện những mối liên hệ quan trọng trong nghiên cứu sức khỏe và bền vững.

Mở rộng ranh giới nghiên cứu

AlphaEvolve đang đóng vai trò như một đối tác nghiên cứu mạnh mẽ, thúc đẩy các khám phá trong khoa học.

Hơn nữa, khả năng tự khám phá này đang thúc đẩy những đổi mới song song trong nhiều lĩnh vực đa dạng khác — từ khám phá các mô hình khoa học thần kinh có thể giải thích được và chứng minh các giới hạn thị trường mới trong kinh tế vi mô, đến việc nhanh chóng cải tiến các khối xây dựng mạng thần kinh, mã hóa bảo mật quyền riêng tư người dùng, tạo dữ liệu tổng hợp và các biện pháp giảm thiểu an toàn quan trọng cho các mô hình AI tiên phong.

Cải thiện cơ sở hạ tầng AI

AlphaEvolve đã vượt qua giai đoạn thử nghiệm để trở thành một thành phần cốt lõi trong cơ sở hạ tầng của chúng tôi. Nó được sử dụng như một công cụ thường xuyên để tối ưu hóa thiết kế cho thế hệ TPU tiếp theo. Hệ thống cũng giúp khám phá các chính sách thay thế bộ nhớ đệm (cache replacement policies) hiệu quả hơn, đạt được trong hai ngày điều mà trước đây cần nỗ lực phối hợp của con người trong nhiều tháng.

“AlphaEvolve bắt đầu tối ưu hóa các cấp độ thấp nhất của phần cứng vận hành các ngăn xếp AI của chúng tôi. Nó đề xuất một thiết kế mạch cực kỳ khó hiểu nhưng lại hiệu quả đến mức được tích hợp trực tiếp vào silicon của các TPU thế hệ tiếp theo. Đây là ví dụ mới nhất về việc ’não bộ’ TPU giúp thiết kế ‘cơ thể’ TPU thế hệ mới.” — Jeff Dean, Nhà khoa học trưởng tại Google DeepMind và Google Research.

AlphaEvolve đã cải thiện hiệu quả của Google Spanner bằng cách tinh chỉnh các phương pháp nén Log-Structured Merge-tree. Tối ưu hóa này làm giảm “khuếch đại ghi” (write amplification) — tỷ lệ dữ liệu được ghi vào bộ lưu trữ so với yêu cầu ban đầu — đi 20%. Nó cũng cung cấp thông tin chi tiết cho các chiến lược tối ưu hóa trình biên dịch mới, giúp giảm dấu chân lưu trữ của phần mềm gần 9%.

Mở rộng các ứng dụng thương mại

Cùng với Google Cloud, chúng tôi hiện đang mang sức mạnh của AlphaEvolve đến với nhiều doanh nghiệp thương mại trong các ngành công nghiệp khác nhau.

• Dịch vụ tài chính: Klarna đã sử dụng hệ thống để tối ưu hóa một trong những mô hình Transformer lớn nhất của họ — tăng gấp đôi tốc độ huấn luyện trong khi vẫn cải thiện chất lượng mô hình.
• Sản xuất bán dẫn: Substrate áp dụng AlphaEvolve vào khung quang khắc tính toán (computational lithography), đạt được mức tăng tốc độ chạy nhiều lần, cho phép họ chạy các mô phỏng lớn hơn đáng kể về chất bán dẫn tiên tiến.
• Logistics: FM Logistic sử dụng công nghệ này để tối ưu hóa các thách thức định tuyến phức tạp như Bài toán Người bán hàng, tìm thấy mức cải thiện 10,4% về hiệu quả định tuyến so với các giải pháp tối ưu hóa trước đó — tiết kiệm hơn 15.000 km quãng đường di chuyển hàng năm.
• Quảng cáo và Tiếp thị: WPP sử dụng AlphaEvolve để tinh chỉnh các thành phần mô hình AI, điều hướng dữ liệu chiến dịch đa chiều phức tạp và đạt được mức tăng độ chính xác 10% so với các tối ưu hóa mô hình thủ công cạnh tranh.
• Khoa học vật liệu và sự sống: Schrödinger áp dụng AlphaEvolve để đạt được tốc độ tăng khoảng 4 lần trong cả huấn luyện và suy luận Trường lực học máy (MLFF).

“AlphaEvolve cho phép chúng tôi khám phá các không gian hóa học lớn hơn, nhanh hơn và hiệu quả hơn bao giờ hết. Việc suy luận MLFF nhanh hơn mang lại tác động kinh doanh thực sự, rút ngắn chu kỳ R&D trong khám phá thuốc, thiết kế chất xúc tác và phát triển vật liệu, cho phép các công ty sàng lọc các ứng viên phân tử trong vài ngày thay vì vài tháng.” — Gabriel Marques, Trưởng nhóm Kỹ thuật Machine Learning tại Schrödinger.

Tương lai của AlphaEvolve

Một năm qua cho thấy AlphaEvolve đang nhanh chóng trở thành một hệ thống đa năng, dùng cho mục đích chung. Nó chứng minh rằng những đột phá tiếp theo sẽ được thúc đẩy bởi các thuật toán có khả năng tự học, tự tiến hóa và tự tối ưu hóa. Nhìn về phía trước, chúng tôi rất hào hứng mở rộng những khả năng này và mang sức mạnh của công nghệ này đến với một tập hợp rộng lớn hơn các thách thức thực tế.

Lời cảm ơn

AlphaEvolve được phát triển bởi Matej Balog, Alexander Novikov, Ngân Vũ, Marvin Eisenberger, Emilien Dupont, Po-Sen Huang, Adam Zsolt Wagner, Sergey Shirobokov, Borislav Kozlovskii, Francisco J. R. Ruiz, Abbas Mehrabian, M. Pawan Kumar, Abigail See, Swarat Chaudhuri, George Holland, Alex Davies, Sebastian Nowozin, và Pushmeet Kohli. Nghiên cứu này được phát triển như một phần của sáng kiến rộng hơn tập trung vào việc sử dụng AI để khám phá thuật toán. Sau giai đoạn phát triển ban đầu, Aja Huang, Anton Kovsharov, Alexey Cherepanov, Anindya Basu, Becky Evangelakos, Jamie Smith, và Mario Pinto đã gia nhập đội ngũ và đóng góp vào việc mở rộng tác động của AlphaEvolve.

Adam Connors, Alex Bäuerle, Anna Trostanetski, Fernanda Viegas, Gabi Cardoso, Jonathan Caton, Lucas Dixon, Mariana Felix, Martin Wattenberg, Matin Akhlaghinia, Richard Green, Yosuke Ushigome, và Yunhan Xu đã hợp tác với đội ngũ của chúng tôi để phát triển giao diện người dùng (UI) của AlphaEvolve, với sự hỗ trợ từ nhiều người khác.

Anant Nawalgaria, Diego Ballesteros, Gemma Jennings, Jakob Oesinghaus, Kartik Sanu, Laurynas Tamulevičius, Nicolas Stroppa, Nishta Dhawan, Oliver Hilsenbeck, Puneet Jagralapudi, Reah Miyara, Skander Hannachi, Tom Beyer, và Vishal Agarwal đã hợp tác với chúng tôi để phát triển API của AlphaEvolve và làm việc với khách hàng của Google Cloud.

Chúng tôi chân thành cảm ơn các cộng tác viên đã dẫn dắt việc áp dụng AlphaEvolve vào các bài toán quan trọng và đóng góp cho báo cáo này: Aaron Wenger, Abhradeep Guha Thakurta, Akanksha Jain, Alex Vitvitskyi, Amir Yazdan Bakhsh, Andrew Carroll, Aranyak Mehta, Arthur Conmy, Ansh Nagda, Davide Paglieri, Eric Perim Martins, Gabriella Marfani, Hassler Thurston, Hongzheng Chen, Jack Mason, János Kramár, Jasper Xian, Jeremy Ratcliff, Jessica Sapick, Johannes Bausch, Jonathan Katz, Kevin Miller, Kim Stachenfeld, Mark Kurzeja, Mircea Trofin, Myriam Khan, Nero Geng, Pablo Samuel Castro, Petar Veličković, Pi-Chuan Chang, Prabhakar Raghavan, Raghav Gupta, Rohin Shah, Sasha Vezhnevets, Sébastien Lahaie, Sergio Guadarrama, Shravya Shetty, Shruthi Gorantala, Terence Tao, Todd Lipcon, Tom O’Brien, Vinod Nair, Ziyue Wang, Zun Li, cùng nhiều người dùng AlphaEvolve khác.

Cuối cùng, chúng tôi cảm ơn ban lãnh đạo vì sự hướng dẫn và hỗ trợ: Amin Vahdat, Ankur Jain, Demis Hassabis, Jeff Dean, Parthasarathy Ranganathan, Pushmeet Kohli, Saurabh Tiwary, và Sundar Pichai. Chúng tôi cũng gửi lời biết ơn đến các đội ngũ đối tác tại Google DeepMind, Google Cloud, Google Labs, Google Research và các khu vực sản phẩm khác đã hỗ trợ triển khai các ứng dụng và sản phẩm vận hành bởi AlphaEvolve.

Link bài viết gốc

• Tags:
• Ai
• May 2026
• Deepmind.google