Google DeepMind окончательно перевела AlphaEvolve из статуса амбициозного черновика в фундамент своей инфраструктуры. Теперь это не просто эксперимент, а основной инструмент проектирования тензорных процессоров (TPU). Мы наблюдаем ту самую «циклическую эволюцию», о которой так долго предупреждали теоретики: алгоритмический интеллект Google (мозги) начал самостоятельно ваять своё аппаратное воплощение (тело). Как подчеркнул Джефф Дин, главный научный сотрудник DeepMind, система выдает настолько контринтуитивные архитектурные решения, что человеческий мозг их попросту бы отбраковал как ошибку, однако тесты подтверждают их пугающую эффективность.
«Система предлагает архитектурные решения, которые инженеры-люди сочли бы ошибочными, но на практике они демонстрируют колоссальную производительность».
На практике AlphaEvolve вскрывает неэффективность классических исследований и разработок. Там, где инженеры месяцами вылизывали политики кэширования, автономный агент справился за двое суток. Это не просто ускорение — это девальвация человеческого опыта в пользу перебора вариантов на сверхскоростях. Система уже добралась до базы данных Spanner, снизив избыточную запись на 20%, и нашла такие стратегии компиляции, которые сжали программный код на 9%. По сути, Google заменяет тысячи человеко-часов дорогих инженеров на циклы работы GPU, получая на выходе железо, которое ручным методом создать невозможно.
Результаты внедрения и глобальное влияние
Внешние тесты подтверждают: это не закрытая внутренняя разработка Google. Технология уже приносит плоды в реальном секторе:
В Klarna вдвое разогнали обучение своих крупнейших трансформеров. В Schrödinger рапортуют о четырехкратном ускорении работы с силовыми полями в химии. Габриэль Маркес из Schrödinger прямо заявляет, что циклы разработки сократились с месяцев до дней. В логистике FM Logistic удалось срезать 15 000 километров годового пробега за счет оптимизации маршрутов.
Если автономные агенты оптимизируют нижние уровни кремния и софта эффективнее, чем лучшие инженерные умы, конкурентное преимущество компаний, полагающихся на «традиционный» дизайн и ручную настройку моделей, стремится к нулю. Перед нами классический пример технологического разрыва: либо вы используете ИИ для проектирования следующего поколения ИИ, либо вы остаетесь в каменном веке с линейками и калькуляторами.