AlphaEvolve: агент на Gemini, который пишет алгоритмы сам

Google DeepMind представила AlphaEvolve — агента, который не отвечает на вопросы, а пишет и переписывает код, отбирая лучшие версии автоматическим тестом. Внутри крутятся модели семейства Gemini: быстрая Flash генерирует много кандидатов, более мощная Pro отбирает и дорабатывает удачные. По заявлениям DeepMind, агент уже применялся внутри самой компании — от планирования вычислительных мощностей до поиска новых матричных алгоритмов. Разберём, что это меняет и где проходит граница между рекламой и реальным результатом.

Что такое AlphaEvolve

Это не отдельная модель, а надстройка над Gemini — эволюционный конвейер. Идея простая: взять программу, попросить модель предложить сотни вариантов её изменения, каждый прогнать через автоматический оценщик (evaluator) и оставить те, что дают лучший результат. Затем цикл повторяется на выживших вариантах. Так система постепенно наращивает качество кода без участия человека на каждом шаге.

Ключевое отличие от привычного чат-ассистента — наличие измеримой целевой функции¹. AlphaEvolve работает только там, где успех можно посчитать программой: скорость выполнения, число операций, точность приближения. Если задачу нельзя автоматически оценить, эволюция не запустится — оценщик просто не отличит хороший вариант от плохого.

Модель здесь не «пишет правильный ответ» с первого раза. Она пишет тысячу неправильных, а естественный отбор по метрике оставляет тот, что работает.

Из чего складывается цикл

• Промпт-сборщик — формирует задание с примерами предыдущих удачных решений.
• Генератор — ансамбль Gemini Flash и Pro, выдающий варианты изменений.
• Оценщик — код, который прогоняет вариант и возвращает число (или несколько).
• База решений — хранит лучшие версии, чтобы строить новые поколения на них.

Где это уже применяли

DeepMind перечисляет несколько внутренних задач Google, где агент дал результат. Оценивать их стоит осторожно: цифры приводит сама компания, независимой проверки по большинству пунктов пока нет.

Самый громкий пункт — умножение матриц. Алгоритм Штрассена 1969 года долго считался эталоном для малых блоков. AlphaEvolve нашёл схему на одно скалярное умножение меньше для матриц 4×4 над комплексными числами. Для практики это узкий кейс, но для вычислительной математики любой сдвиг здесь заметен: подобные алгоритмы — фундамент, на котором стоит скорость всего линейно-алгебраического стека.

А 0,7% — это много или мало

Для стороннего читателя доля меньше процента звучит как погрешность. Но при масштабе вычислительного парка Google эта доля — постоянно освобождающиеся серверные мощности, которые не нужно докупать. Экономика больших инфраструктур считается именно в таких долях: выиграть полпроцента на всём флоте выгоднее, чем ускорить один сервис вдвое.

Чем AlphaEvolve отличается от прошлых проектов DeepMind

У компании уже были AlphaTensor (поиск алгоритмов умножения матриц) и AlphaDev (оптимизация кода сортировки). Оба были узкоспециализированными: каждый решал свой класс задач. AlphaEvolve позиционируется как более общий инструмент — он работает с произвольным кодом на распространённых языках, лишь бы существовал оценщик.

• AlphaTensor — искал тензорные разложения, только матрицы.
• AlphaDev — работал на уровне ассемблерных инструкций для узких примитивов.
• AlphaEvolve — оперирует читаемым кодом целых функций и файлов, опираясь на языковые модели общего назначения.

Где границы метода

Главное ограничение уже названо: нужен автоматический, быстрый и надёжный оценщик. Задачи, где качество решает человек — дизайн интерфейса, формулировка текста, архитектурные компромиссы — эволюционному циклу недоступны. Второе ограничение — стоимость. Каждое поколение требует множества вызовов модели и множества прогонов оценщика, а это дорого по времени и вычислениям. Для мелкой оптимизации, которую человек сделает за час, гонять такой конвейер бессмысленно.

Отдельный вопрос — воспроизводимость. На момент анонса DeepMind описала подход и результаты, но не выложила агента в открытый доступ. Проверить заявленные цифры со стороны сложно, а математический результат по умножению матриц — единственная часть, которую внешние специалисты могут пересчитать самостоятельно.

Что это значит для разработчиков

Прямого продукта, который можно скачать, пока нет. Но направление читается ясно: языковые модели перестают быть только генераторами текста и становятся частью оптимизационных петель, где отбор ведёт метрика, а не человек. Если у вашей задачи есть чёткая численная цель и дешёвый способ её измерить — эволюционный подход поверх LLM в принципе применим уже сейчас, пусть и своими руками.

Для типичной продуктовой разработки, где успех измеряется отзывами пользователей и бизнес-показателями, AlphaEvolve ничего не меняет. Он силён ровно там, где задачу можно свести к числу — и слаб везде, где нельзя.

¹ Целевая функция — формула или программа, которая по каждому решению возвращает число: чем оно выше (или ниже), тем решение лучше. Именно по ней система отбирает удачные варианты.