Google udostępnia AlphaEvolve wszystkim klientom Google Cloud

Google Cloud ogłosił pełną dostępność AlphaEvolve, agenta AI zbudowanego na modelach Gemini, który samodzielnie przeprojektowuje i optymalizuje algorytmy firm. Narzędzie, wcześniej testowane w zamkniętym gronie klientów, trafiło teraz do wszystkich użytkowników platformy Gemini Enterprise Agent Platform.

AlphaEvolve nie jest kolejnym asystentem do pisania kodu na żądanie. Zamiast czekać na polecenia programisty, system sam eksploruje przestrzeń możliwych rozwiązań danego problemu algorytmicznego, ocenia je według zdefiniowanej przez klienta funkcji punktowania, a najlepsze wdraża bezpośrednio do środowiska produkcyjnego. Google opisuje to jako przejście od asystenta zwiększającego produktywność do silnika odkrywającego rozwiązania, których człowiek by nie znalazł.

Jak to działa w praktyce

Proces składa się z czterech kroków. Najpierw klient definiuje problem i dostarcza działający, choćby nieoptymalny, algorytm startowy. Następnie ustala funkcję oceny, która obiektywnie punktuje jakość kandydujących rozwiązań. W trzecim kroku agentowy mechanizm AlphaEvolve generuje i testuje kolejne warianty kodu. Na końcu najlepiej oceniony algorytm trafia do wdrożenia w realnej infrastrukturze.

Za technologią stoi zespół Google DeepMind, a nadzoruje ją Pushmeet Kohli, główny naukowiec Google Cloud i wiceprezes ds. nauki w Google DeepMind. Kohli podkreśla, że narzędzia tego typu przesuwają granicę tego, co w ogóle jest osiągalne obliczeniowo, a nie tylko przyspieszają istniejącą pracę zespołów inżynierskich.

AI is moving beyond acting as a productivity assistant that accelerates how we work to a discovery engine that expands what we can achieve - Pushmeet Kohli, główny naukowiec Google Cloud i wiceprezes ds. nauki, Google DeepMind

Konkretne wyniki klientów

Lista firm, które już testowały AlphaEvolve, obejmuje sektory od logistyki po biofarmację. FM Logistic poprawił trasowanie w magazynach o 10,4 procent, oszczędzając 15 tysięcy kilometrów przejazdów. JetBrains podniósł wydajność swojego środowiska programistycznego o 15 do 20 procent. Firma PacBio, zajmująca się sekwencjonowaniem genomu, ograniczyła błędy w wykrywaniu wariantów genetycznych o 30 procent, a Schrödinger, twórca oprogramowania do symulacji molekularnych, przyspieszył odkrywanie nowych cząsteczek czterokrotnie.

Coolblue, holenderski sklep internetowy, zredukował błąd prognozy zapotrzebowania o ponad 5 procent w ciągu 200 iteracji optymalizacji. Agencja reklamowa WPP odnotowała wzrost dokładności prognoz o 5 do 10 procent oraz 7-procentowy wzrost skuteczności rekomendacji. Google sam korzysta z narzędzia wewnętrznie, między innymi do projektowania kolejnej generacji własnych chipów TPU oraz poprawy struktur danych w bazie Spanner.

Co to znaczy dla firm w Polsce

Dla polskich firm technologicznych i przemysłowych AlphaEvolve otwiera dostęp do klasy narzędzi, które wcześniej wymagały własnych zespołów badawczych zajmujących się optymalizacją algorytmiczną. Przykłady BASF czy Kinaxis pokazują, że największe korzyści osiągają firmy z jasno zdefiniowanymi, mierzalnymi problemami operacyjnymi, takimi jak planowanie łańcucha dostaw, trasowanie czy prognozowanie popytu.

Bariera wejścia pozostaje jednak realna. Narzędzie wymaga od klienta samodzielnego zdefiniowania funkcji oceniającej jakość rozwiązań, co oznacza, że firmy bez własnej ekspertyzy w modelowaniu problemu nie skorzystają z niego automatycznie. Google nie podał cennika usługi w ramach Gemini Enterprise, odsyłając zainteresowanych do zespołów sprzedażowych i dokumentacji na GitHubie.

AlphaEvolve nie obsługuje na razie środowisk wymagających certyfikacji FedRAMP ani standardów Departamentu Obrony USA, co ogranicza jego zastosowanie w części sektora publicznego i obronnego. Google zapowiada jednak, że dostęp do takich środowisk będzie można uzyskać poprzez indywidualne ustalenia z zespołem konta.

Premiera pokazuje też szerszy trend w strategii Google Cloud: przesuwanie ciężaru z generatywnych asystentów tekstowych w stronę wyspecjalizowanych agentów, które samodzielnie prowadzą wielokrotne cykle prób i błędów w wąsko zdefiniowanych domenach. To podejście różni się od bezpośredniej konkurencji z modelami czatowymi OpenAI czy Anthropic i celuje raczej w dział badawczo-rozwojowy i inżynieryjny dużych organizacji.

Źródła: Google Cloud Blog (cloud.google.com), Google DeepMind Blog (deepmind.google)