گوگل به تازگی از در دسترس قرار گرفتن عمومی AlphaEvolve روی پلتفرم عامل سازمانی Gemini خبر داد. این ابزار که حاصل پروژه تحقیقاتی DeepMind برای کشف الگوریتم‌های جدید ضرب ماتریس است، حالا به یک سرویس ابری تبدیل شده که هر مشتری Google Cloud می‌تواند برای بهینه‌سازی کدهای خود از آن استفاده کند.

AlphaEvolve یک عامل بهینه‌سازی کد مبتنی بر الگوریتم‌های تکاملی است. این سرویس با دریافت یک الگوریتم پایه، از مدل‌های Gemini برای تولید نسخه‌های جهش‌یافته استفاده می‌کند. سپس هر نسخه را بر اساس یک تابع ارزیابی تعریف‌شده توسط کاربر امتیازدهی می‌کند و این فرایند تا همگرایی روی کدی بهینه و خوانا برای انسان ادامه می‌یابد.

مدل استقرار AlphaEvolve به شکلی طراحی شده که نگرانی‌های امنیتی کسب‌وکارهایی که نمی‌توانند کد خود را به اشتراک بگذارند را پوشش دهد. بخش ارزیابی کاملاً سمت کاربر و روی زیرساخت خودش اجرا می‌شود (خواه یک لپ‌تاپ، یک کلاستر خصوصی یا یک ابررایانه). API AlphaEvolve صرفاً برنامه‌های کاندید را ایجاد کرده و محیط کاربر آن‌ها را به‌صورت محلی ارزیابی کرده و نتایج را بازمی‌گرداند.

گردش کار AlphaEvolve

پلتفرم مذکور برای بهینه‌سازی کد از یک گردش کار چهار مرحله‌ای پیروی می‌کند: ۱) تعریف الگوریتم پایه (بذر) و زمینه مسئله، ۲) ایجاد یک تابع امتیازدهی برای معیارهای حیاتی، ۳) اجرای هارنس بهینه‌سازی عاملی، و ۴) استقرار الگوریتم نهایی در محیط تولید.

نتایج چشمگیر از مشتریان مطرح

بخش جلب‌توجه اعلامیه گوگل، ارائه آمارهای مشخص از مشتریان است:

  • Klarna: توان عملیاتی آموزش یادگیری ماشین خود را دو برابر کرد. این شرکت طی سه هفته حدود ۶۰۰۰ برنامه کاندید را بررسی کرد و در عین حال قابلیت تکرارپذیری بیتی دقیق مورد نیاز مقررات خدمات مالی را حفظ نمود.
  • JetBrains: تاخیر تکمیل کد IDE خود را ۱۵ تا ۲۰ درصد بهبود بخشید.
  • FM Logistic: مسیرهای برداشت از انبار را ۱۰.۴ درصد کاهش داد، در حالی که این مسیرها قبلاً بهینه‌سازی شده بودند.
  • Kinaxis: دقت پیش‌بینی ۲۲ درصد افزایش یافت و زمان اجرا ۹۰ درصد کاهش پیدا کرد.

نمای کلی از فرایند بهینه‌سازی کد با AlphaEvolve

همچنین آزمایشگاه ملی Oak Ridge که AlphaEvolve را روی ابررایانه اگزاسکیل Frontier اجرا می‌کند، توانسته هسته‌های GPU بهینه‌شده‌ای برای بار کاری علمی تولید کند.

استفاده داخلی گوگل از این ابزار سابقه‌ای طولانی دارد. طبق اعلامیه، AlphaEvolve در بهینه‌سازی طراحی سیلیکون نسل‌های بعدی TPU، کاهش ۲۰ درصدی amplification نوشتن در فشرده‌سازی LSM-tree در Google Spanner و کاهش ۹ درصدی ردپای ذخیره‌سازی نقش داشته است.

AlphaEvolve برای چه کسانی مناسب است؟

گواهی JetBrains به خوبی تغییر دیدگاه مهندسان را نشان می‌دهد: «مهندسان همچنان مالک معیار، بررسی و تصمیم انتشار هستند؛ فقط فضای جستجوست که کوچک‌تر می‌شود.» این تقسیم کار، پاسخ عملی به سوالی است که از زمان انتشار مقاله تحقیقاتی AlphaEvolve در میان متخصصان مطرح بود. Redis (مالک Salvatore Sanfilippo) پس از استفاده از این رویکرد شاهد واکنش‌های دوگانه‌ای بود: برخی گفتند «هیچ وقت برای من کار نمی‌کند» و برخی گفتند «ماه‌ها کار را در یک ساعت انجام دادم».

کارشناسان معتقدند AlphaEvolve در مشکلاتی با تابع ارزیابی قابل اندازه‌گیری و خودکار به خوبی عمل می‌کند. یعنی کدی که معیار شفاف، معیار امتیازدهی یا بررسی صحت قابل تأیید دارد، قابل بهینه‌سازی است. اما کدی که کیفیت آن به قضاوت انسانی وابسته است (مانند منطق تجاری با معیارهای مبهم)، نمی‌تواند از این سرویس بهره ببرد. فهرست مشتریان گوگل این را تأیید می‌کند: خطوط لوله پیش‌بینی (WMAPE)، مسیریابی انبار (فاصله)، هسته‌های GPU (توان عملیاتی) و طراحی تراشه (مساحت و مصرف برق).

ملاحظات و موانع

با وجود این موفقیت‌ها، متخصصان باید به خلا‌های اعلامیه توجه کنند. تمام ارقام توسط فروشنده یا مشتریان گوگل منتشر شده و هیچ معیار مستقل یا تایید ثالثی در میان نیست. همچنین قیمت‌گذاری اعلام نشده است. یک متخصص که مقالات Evolve را دنبال می‌کند گفته: «همه انتشارات نتایج چشمگیری دارند، اما کار خسته‌کننده در جای دیگر است: استخراج معیار و تعریف صحیح تابع ارزیابی.»

در نهایت، AlphaEvolve جایی می‌درخشد که مشکل قابل اندازه‌گیری است. اگر تابع ارزیابی شما روشن باشد و کدتان رفتار مشخصی داشته باشد، این سرویس می‌تواند ماه‌ها تلاش تیم شما را در چند ساعت خلاصه کند. اما اگر معیار موفقیت‌تان مبهم است، ابتدا باید آن را شفاف کنید تا بتوانید از قدرت بهینه‌سازی تکاملی بهره ببرید.