A fine 2024, il CEO di Google Sundar Pichai, ha affermato che il 2025 sarà un anno critico per Google, sottolineando la necessità di muoversi più velocemente come azienda di fronte alle sfide tecnologiche, in particolare nell'ambito dell'AI. 🙌

E c’è da dire che stanno facendo un buon lavoro.

Infatti, se c’hai fatto caso, nelle ultime settimane sembra che il mondo AI sia diventato quasi *OpenAI - Google centrico*. 🌎

OpenAI e Google stanno facendo parlare molto di loro grazie a diversi rilasci che hanno fatto nelle scorse settimane.

Google, infatti, ha fatto diversi rilasci dei modelli Gemini da inizio anno a questa parte.

E non solo.

Da poco c’è stato il Google Cloud Next dove sono state annunciate diverse novità.

Poi, se ti ricordi, a fine Febbraio ci fu l’annuncio dell’AI Co-Scientist che è stata una novità super innovativa per il mondo della ricerca.

E tanti altri rilasci che non ti sto ad elencare qui se no non finiamo più 😂

Oggi, però, volevo parlarti della più grande novità di settimana scorsa: l’annuncio di AlphaEvolve da parte di Google DeepMind.💡

Quando senti parlare di una soluzione che si chiama “*Alpha + qualcosa*” arriva praticamente sempre da Google DeepMind (AlphaFold, AlphaTensor…)

E l’ultima è proprio AlphaEvolve. 🙌

AlphaEvolve è un agente che permette di fare *design di algoritmi (quindi creare e ottimizzare algoritmi)* e può essere utilizzato per risolvere qualsiasi tipo di problema.

Vediamo perché è definito agente.

AlphaEvolve è un sistema che segue un piano prestabilito e ha un grado di autonomia molto alto.

Andiamo più nello specifico. 👇

Tutto inizia quando un ricercatore fornisce un problema da risolvere, come per esempio: *ottimizzazione del carico di lavoro in una server Farm*.

Dopo di che, l’agente parte da una serie di programmi incompleti che affrontano parzialmente alcuni aspetti di quel problema più un insieme di prompt che in qualche modo danno delle idee all’agente.

Per esempio, un prompt potrebbe essere: “parti da questo algoritmo e completalo” oppure ”parti da questo algoritmo e usa programmazione dinamica” per portare a termine il compito.

A questo punto, il sistema *chiama* un Large Language Model (LLM) di Google (come *Gemini Flash* e *Gemini Pro*). 👀

Questi LLM generano *un pezzo di codice mancante* o *un’intera nuova funzione* che viene valutata molto rigorosamente da dei metodi automatici di valutazione.

Arrivati qui, se i test vengono passati, questa nuova proposta viene salvata in un database e il ciclo ricomincia. 🔄

Infatti, si riparte dal database delle soluzioni parziali, se ne pesca un’altra, si pescano altri prompt, si fa un’altra proposta, viene valutata, viene salvata e così via.

L’agente segue sempre questo piano.💡

Secondo i ricercatori, sono necessari circa 10/15 step per trovare una soluzione ad un problema.

Ti faccio un esempio più semplice per chiarire il concetto. 👇

Immagina di essere un professore che insegna ad una classe dove c’è anche uno studente super organizzato (AlphaEvolve).

Nel nostro esempio il professore è come il ricercatore di Google DeepMind, che dà un problema difficile da risolvere, come ad esempio:

“Trova il modo migliore per dividere i compiti tra tutti gli studenti della scuola”.

Lo studente (AlphaEvolve) a questo punto cosa fa?

Ha a disposizione:

📌 Fogli con svolgimenti parziali di quel problema (sono i programmi incompleti)

📌 Bigliettini con consigli del tipo: “continua da qui” oppure “prova a usare un metodo matematico più veloce” (sono i prompt).

Per ogni parte da completare, lo studente:

👉 Chiede aiuto a un tutor online (come Gemini Pro / Gemini Flash) per scrivere il pezzo mancante o trovare un'idea nuova.

👉 Fa controllare subito la risposta da un correttore automatico (i test), che gli dice se va bene oppure no.

👉 Se è corretta, la risposta finisce in un quaderno delle soluzioni.

👉 Poi riparte da lì per migliorare un’altra parte.

Dopo una decina di passaggi come questi, riesce a consegnare il compito completo e ben fatto.

Torniamo a noi…

E vediamo quali problemi i ricercatori di Google DeepMind hanno già cercato di risolvere utilizzando AlphaEvolve.

1️⃣ Scoprire nuovi metodi di allocazione del lavoro sulle macchine in un datacenter

Immagina decine di migliaia di server che ricevono decine di migliaia di richieste al secondo. ⏱️

È fondamentale capire quale server deve soddisfare quale richiesta.

E questo è un problema di ottimizzazione molto studiato.

Utilizzando AlphaEvolve, i ricercatori hanno ottenuto un metodo di allocazione che fa risparmiare lo 0,7% dell’energia di un datacenter, permettendo quindi di soddisfare più richieste a parità di energia. 🔋

2️⃣ Design dei chip

Un altro problema affrontato è il design dei chip: capire dove posizionare ogni singolo componente al fine di *ottenere un chip funzionante ed efficiente*. 🙌

Il risultato ottenuto è che il lavoro dei designer di chip è stato molto velocizzato dal fatto che potessero usare AlphaEvolve durante il design e durante la realizzazione dei prototipi.

3️⃣ Ottimizzazione dei sistemi di addestramento dei LLM

Il terzo caso è l’ottimizzazione dei sistemi di addestramento dei Large Language Model.

Come forse già sai, per addestrare i LLM , servono miliardi di dollari spesi in elettricità e in stipendi delle persone.

E quello che i ricercatori di Google DeepMind sono riusciti a fare è ottimizzare un pezzettino dell’addestramento che ha portato a una riduzione del 1% del tempo di addestramento. ⏳

Giusto per farti capire: se ci immaginiamo un addestramento di 200 giorni, sono stati risparmiati 2 giorni. 🗓️

E per chiudere il cerchio, altri problemi che hanno cercato di far risolvere ad AlphaEvolve sono dei famosi problemi matematici:

📍Moltiplicazioni matriciali

📍Discesa del gradiente

📍Il Kissing Number Problem

E ogni volta AlphaEvolve proponeva una soluzione che migliorava quella che era considerata la miglior soluzione finora. 🤯

Tutti questi sono problemi di ottimizzazione molto complessi che vanno da: ottimizzazione traffico, ottimizzazione chip, ottimizzazione dell’addestramento di una rete neurale a problemi matematici molto famosi e molto complessi. 👀

Attualmente a questo sistema si può accedere richiedendo l’accesso direttamente a Google DeepMind.

Questo vuol dire che alcuni centri di ricerca inizieranno ad utilizzarlo e probabilmente nei prossimi mesi ritornerà nelle news perché qualcuno l’avrà utilizzato per fare delle scoperte scientifiche.

Tutto questo, secondo me, è una figata…

Quest’anno stiamo vedendo sempre di più novità in campo AI legate agli agenti, quindi sistemi AI che progettano, testano e migliorano da soli, trovando soluzioni a problemi reali.

Parliamo di ottimizzazioni che riducono costi, consumo energetico e accelerano la ricerca.

Oggi riesce a migliorare il design di un chip o risparmiare giorni di training dei modelli…domani potrebbe essere parte attiva nella scoperta di nuovi farmaci, algoritmi o materiali.

Secondo te quanto può cambiare il nostro modo di risolvere problemi complessi?

Se vuoi approfondire, qui trovi anche il paper completo di Google DeepMind. 🔥

***

Giacomo Ciarlini - Head of Content & Education - Datapizza

Alexandru Cublesan - Media Manager & Creator - Datapizza