AlphaEvolve nach einem Jahr: Von TPU-Schaltungen zu Firmenkunden
Google DeepMinds Bericht über seinen Agenten zur Algorithmensuche nennt Ergebnisse bei TPU-Design, Spanner, Genomik und Stromnetzen sowie Firmenkunden wie Klarna und FM Logistic.
TL;DR
- Ein Jahr nach dem Start hilft AlphaEvolve laut Google DeepMind beim TPU-Design, optimiert Spanner und arbeitet über Google Cloud für Firmen wie Klarna [^1].
- Die Ergebnisse stammen von den Unternehmen selbst und haben eine gemeinsame Voraussetzung: Ein Programm muss jeden Lösungskandidaten automatisch bewerten können [^1] [^2].
Hintergrund
Google DeepMind stellte AlphaEvolve im Mai 2025 als evolutionären Coding-Agenten vor [^2]. Gemini-Modelle schlagen Programme vor, die ein gegebenes Problem lösen, automatische Evaluatoren führen jedes davon aus und bewerten es, und eine Programmdatenbank entscheidet, welche in die nächsten Prompts einfließen [^2]. Gemini Flash sorgt für die Breite der Ideen, Gemini Pro für die Tiefe [^2]. Weil alles an dieser Bewertung hängt, eignet sich der Ansatz laut DeepMind für Probleme, deren Lösung sich als Algorithmus beschreiben und automatisch prüfen lässt [^2].
Was passiert ist
Am 7. Mai veröffentlichte das AlphaEvolve-Team einen Bericht darüber, was der Agent seit seinem Start geleistet hat [^1]. Der größte Teil betrifft Googles eigene Systeme. Laut DeepMind ist AlphaEvolve von Pilottests zu einem Kernbestandteil der Infrastruktur geworden und wird regelmäßig eingesetzt, um das Design der nächsten TPU-Generation zu optimieren [^1]. Jeff Dean, Chief Scientist von Google DeepMind und Google Research, sagt, der Agent habe „ein Schaltungsdesign vorgeschlagen, so kontraintuitiv und doch effizient, dass es direkt in das Silizium unserer TPUs der nächsten Generation integriert wurde“ [^1]. In der Datenbank Spanner senkten verfeinerte Compaction-Heuristiken für deren Log-Structured Merge Tree die Write Amplification, also das Verhältnis der auf den Speicher geschriebenen Daten zur ursprünglichen Anfrage, um 20 Prozent [^1]. Außerdem fand AlphaEvolve in zwei Tagen effizientere Cache-Ersetzungsstrategien, wofür Menschen zuvor monatelang intensiv gearbeitet hatten, und schlug Compiler-Strategien vor, die den Speicherbedarf von Software um fast 9 Prozent verringerten [^1].
Auch Forschungsergebnisse führt der Bericht auf. Eine verbesserte Version von DeepConsensus, einem Modell von Google Research zur Korrektur von Fehlern bei der DNA-Sequenzierung, machte 30 Prozent weniger Fehler bei der Erkennung von Varianten; Forschende bei PacBio nutzen es zur Analyse genetischer Daten [^1]. Beim AC-Optimal-Power-Flow-Problem aus dem Stromnetzbetrieb steigerte AlphaEvolve den Anteil zulässiger Lösungen, die ein trainiertes Graph Neural Network findet, von 14 auf über 88 Prozent [^1]. Von AlphaEvolve vorgeschlagene Quantenschaltungen hatten einen zehnmal geringeren Fehler als konventionell optimierte Vergleichswerte, was komplexe Molekülsimulationen auf Googles Quantenprozessor Willow möglich machte [^1]. In der Mathematik half der Agent gemeinsam mit Terence Tao, Erdős-Probleme zu lösen, und verbesserte untere Schranken für das Problem des Handlungsreisenden und für Ramsey-Zahlen [^1].
Gemeinsam mit Google Cloud bringt DeepMind AlphaEvolve nun zu Unternehmen, und der Bericht nennt fünf davon [^1]. Klarna verdoppelte die Trainingsgeschwindigkeit eines seiner größten Transformer-Modelle und verbesserte zugleich dessen Qualität. FM Logistic steigerte die Effizienz seiner Routen um 10,4 Prozent gegenüber bisherigen, bereits stark optimierten Lösungen und spart so über 15.000 Kilometer Fahrstrecke pro Jahr. Substrate erreichte ein Vielfaches an Geschwindigkeit in seinem Framework für computergestützte Lithografie, WPP meldete 10 Prozent höhere Genauigkeit als mit manueller Modelloptimierung, und Schrödinger etwa eine Vervierfachung der Geschwindigkeit bei Training und Inferenz maschinell gelernter Kraftfelder [^1].
Warum es wichtig ist
Der Bericht zeigt, dass AlphaEvolves Reichweite wächst, nicht dass sich die Methode ändert. Vor einem Jahr lagen die großen Erfolge innerhalb von Google: eine Scheduling-Heuristik für Borg, die im Schnitt 0,7 Prozent der weltweiten Rechenkapazität von Google zurückgewinnt, ein um 23 Prozent schnellerer Kernel für Matrixmultiplikation in der Architektur von Gemini und eine Verilog-Neufassung einer Rechenschaltung für eine kommende TPU [^2]. Jetzt ist AlphaEvolve ein reguläres Werkzeug im TPU-Design, und Firmen außerhalb von Google bringen eigene Probleme mit [^1]. Alle Fälle verbindet die Voraussetzung aus dem ursprünglichen Design: Jemand muss einen Evaluator schreiben, der jedes Kandidatenprogramm objektiv bewertet. Deshalb verwies DeepMind auf Bereiche, in denen sich Fortschritt „klar und systematisch messen“ lässt [^2]. Fahrstrecke, Write Amplification und Fehlerraten passen dazu; Ziele ohne automatische Prüfung fallen heraus.
Die Zahlen brauchen außerdem einen Vorbehalt. Sie stammen von Google und seinen Partnern, und manche kommen ohne genauen Wert, etwa Substrates „Vielfaches an Laufzeitgeschwindigkeit“ [^1]. Der Bericht ist ein Schaufenster, keine Evaluation. Für ein Team, das AlphaEvolve nutzen möchte, ist die nützlichere Frage, ob sich das eigene Problem überhaupt von einem Programm bewerten lässt.
Ein Beispiel aus der Praxis
Angenommen, Jonas plant die Lieferrouten eines regionalen Lebensmittelgroßhändlers. Die Routen stammen aus einer Heuristik, die das Team seit Jahren von Hand nachjustiert, und ein Simulator misst bereits, wie viele Kilometer sie auf den Bestellungen des Vorjahres ergibt. Genau dieser Simulator ist das Stück, das AlphaEvolve braucht: ein automatischer Evaluator, der jedes Kandidatenprogramm ausführt und bewertet [^2].
Das Team von Jonas bekommt Zugang über Google Cloud, das AlphaEvolve nun zu Unternehmen bringt, und übergibt den Routing-Code und den Simulator [^1]. Gemini Flash schlägt viele Varianten der Heuristik vor, Gemini Pro steuert tiefergehende Vorschläge bei, und der Evaluator bewertet jede davon. Die besten Programme bleiben in einer Datenbank und fließen in die nächste Runde von Prompts ein [^2]. Runde für Runde entwickelt sich der Code weiter. FM Logistic meldete beim gleichen Problemtyp einen Gewinn von 10,4 Prozent gegenüber Lösungen, die bereits stark optimiert waren [^1].
Der Haken liegt in der Bewertung. Zählt der Simulator nur Kilometer, kann ein Programm gewinnen, das Lieferzeitfenster ignoriert. Also ergänzt Jonas vor dem ersten Lauf die Zeitfenster und die Ladekapazitäten der Lkw im Evaluator, und jemand aus der Disposition prüft die siegreiche Heuristik, bevor sie live geht. Weil das Ergebnis gewöhnlicher Code ist, kann das Team ihn lesen und debuggen, ein Vorteil, den DeepMind schon bei der eigenen Borg-Heuristik hervorhob [^2].
Passende Produkte
Wir empfehlen dieses Buch, weil es evolutionäre Algorithmen erklärt, also die Schleife aus Auswahl und Variation, mit der AlphaEvolve die Programme von Gemini Schritt für Schritt verbessert.