AlphaEvolve chính thức phát hành trên Google Cloud hỗ trợ xử lý các bài toán thuật toán khó nhất cho doanh nghiệp

Nhiều vấn đề thách thức và quan trọng nhất trên thế giới liên quan đến tối ưu hóa. Giờ đây, trí tuệ nhân tạo (AI) đang giúp giải quyết những vấn đề này một cách dễ dàng hơn. Nếu bạn từng thử thiết kế một vi mạch, lập kế hoạch mạng lưới phân phối hoặc tối ưu hóa kiến ​​trúc huấn luyện cho một mô hình AI lớn, bạn sẽ biết việc tìm ra mã tối ưu nhất khó khăn như thế nào. Các phương pháp lập trình truyền thống thường không thể khám phá hết tất cả các thuật toán và cách triển khai khả thi vì không gian tìm kiếm quá rộng lớn. Để hỗ trợ, Google đã giới thiệu AlphaEvolve vào năm ngoái trong buổi giới thiệu hạn chế — một công cụ hỗ trợ giúp bạn thiết kế các thuật toán tốt hơn trên Google Cloud.

Có gì mới: Hôm nay, AlphaEvolve đã chính thức được phát hành (GA) trên nền tảng Gemini Enterprise Agent. AlphaEvolve là một công cụ tối ưu hóa và khám phá mã nguồn được xây dựng trên nền tảng Gemini, giúp giải quyết các bài toán thuật toán khó nhất và đạt được những đột phá cho doanh nghiệp và nghiên cứu của bạn. Nó đã được thử nghiệm trong nhiều lĩnh vực khác nhau như hậu cần, chất bán dẫn, gen học, điện toán hiệu năng cao và dịch vụ tài chính trong chương trình truy cập sớm của Google. Nó khám phá không gian tìm kiếm một cách có hệ thống để tìm ra các giải pháp được tối ưu hóa cho vấn đề của bạn.

Việc triển khai AlphaEvolve trong môi trường của bạn tuân theo quy trình bốn bước có cấu trúc, được thiết kế để chuyển từ việc xác định vấn đề ban đầu đến mã sản phẩm được tối ưu hóa hoàn toàn:

• Xác định: Cung cấp thuật toán gốc và định nghĩa bài toán, cùng với kiến ​​thức nền tảng cung cấp bối cảnh về bài toán bạn muốn giải quyết.
• Đo lường: Thiết lập hàm chấm điểm để đánh giá khách quan các chương trình ứng cử viên dựa trên một hoặc nhiều chỉ số quan trọng đối với bài toán của bạn, chẳng hạn như tính đúng đắn, hiệu suất và các ràng buộc vận hành.
• Tối ưu hóa: Sử dụng công cụ tối ưu hóa của AlphaEvolve để tạo mã được tối ưu hóa, được tối ưu hóa rõ ràng dựa trên các chỉ số trong hàm chấm điểm được thiết lập ở bước đo lường.
• Áp dụng: Triển khai thuật toán được tối ưu hóa cao trực tiếp vào khối lượng công việc và cơ sở hạ tầng sản xuất của bạn.

Trong bài viết này, Google sẽ chia sẻ cách các tổ chức đã và đang nhận thấy tác động tích cực từ AlphaEvolve và cách bạn có thể bắt đầu sử dụng.

Các tổ chức đang sử dụng AlphaEvolve như thế nào?

AlphaEvolve đã phát triển từ một dự án nghiên cứu thành một công cụ quan trọng đang sử dụng tại Google. Giờ đây, một số tổ chức sáng tạo nhất thế giới cũng đang sử dụng nó để giải quyết các vấn đề thuật toán của họ.

BASF: Xây dựng mô hình song sinh kỹ thuật số để tối ưu hóa chuỗi cung ứng toàn cầu

“Chúng tôi đã nhiều lần cố gắng xây dựng mô hình song sinh kỹ thuật số cho mạng lưới cung ứng phức tạp của mình bằng các mô hình xác định, và tất cả đều thất bại. Bằng cách sử dụng AlphaEvolve, giờ đây chúng tôi không chỉ có thể lập bản đồ mạng lưới phức tạp dựa trên dữ liệu hệ thống, mà đồng thời còn hiểu và sao chép các quyết định của con người chi phối hoạt động hàng ngày của chúng tôi. Điều này mang lại cho chúng tôi một mô hình song sinh kỹ thuật số dựa trên dữ liệu có độ chính xác cao và dễ bảo trì của toàn bộ mạng lưới.” — Tiến sĩ Goetz Krabbe, Phó Chủ tịch Chuỗi cung ứng toàn cầu, BASF.

Coolblue: Tối ưu hóa dự báo nhu cầu thương mại điện tử

“Các nhà khoa học dữ liệu của Coolblue đã sử dụng AlphaEvolve để tối ưu hóa trực tiếp quy trình dự báo nhu cầu 28 ngày của họ, tập trung vào kỹ thuật đặc trưng tự động, tiền xử lý mục tiêu và lựa chọn mô hình. Chỉ sau vài (200) lần lặp, AlphaEvolve đã cải thiện dự báo sản lượng của chúng tôi (bằng cách giảm WMAPE so với giải pháp hiện có) hơn 5%. Những cải tiến này đạt được nhờ kỹ thuật đặc trưng được cải thiện, sự kết hợp của các mô hình hồi quy khác nhau và tiền xử lý mục tiêu tốt hơn được AlphaEvolve đề xuất và xác nhận. Để đảm bảo đủ hàng tồn kho, điều quan trọng là dự báo nhu cầu phải chính xác cả trong ngắn hạn (7 ngày đầu tiên) và dài hạn (28 ngày). AlphaEvolve đã đạt được điều này bằng cách sử dụng một chỉ số đánh giá kết hợp cả hai giai đoạn, cùng với một hình phạt nghiêm ngặt cho việc dự báo thấp hơn thực tế. AlphaEvolve đã chứng minh khả năng cải thiện đáng kể các quyết định mua hàng số lượng lớn và giúp chúng tôi duy trì mức tồn kho tối ưu trong những tuần tới.” — Cas Ruger, Nhà khoa học dữ liệu tại Coolblue.

FM Logistic: Tối ưu hóa tuyến đường kho hàng
“Thông qua sự hợp tác với Google Cloud và việc triển khai AlphaEvolve và Gemini, chúng tôi đã tối ưu hóa hơn nữa phương pháp định tuyến cho các hoạt động vận chuyển nhanh. Mức cải thiện 10,4% đạt được trên nền tảng đã được tối ưu hóa cao, nơi mà việc đạt được những cải tiến hơn nữa thường rất khó khăn. Điều này trực tiếp dẫn đến việc hoàn thành đơn hàng nhanh hơn, điều kiện làm việc tốt hơn cho đội ngũ của chúng tôi và giảm hao mòn cho đội xe.” — Rodolphe Bey, Giám đốc CNTT Tập đoàn tại FM Logistic.

Infineon: Tối ưu hóa thiết kế chip

“Những thử nghiệm ban đầu của chúng tôi với AlphaEvolve rất tích cực, chứng minh tiềm năng của nó trong việc chuyển đổi vòng đời thiết kế chip. Chúng tôi nhận thấy rõ tiềm năng đóng góp của nó vào nhiều giai đoạn phát triển, bao gồm cả các lĩnh vực như mô hình hóa thay thế.” — Michael Kollig, Giám đốc CNTT, Infineon.

JetBrains: Tăng tốc hiệu suất IDE
“AlphaEvolve có thể thay đổi cách chúng ta tiếp cận công việc tối ưu hiệu năng phức tạp. Nó biến những tối ưu hóa từng quá tốn thời gian để nghiên cứu thành những ứng viên mà chúng ta có thể kiểm tra thường xuyên. Các kỹ sư vẫn nắm quyền kiểm định, xem xét và quyết định phát hành. Chỉ có phạm vi tìm kiếm là được thu hẹp lại.” — Dmitrii Batkovich, Giám đốc Kỹ thuật, JetBrains.

Kinaxis: Cải thiện hệ thống tối ưu hóa và dự báo

“Các nhà nghiên cứu của Kinaxis đã sử dụng AlphaEvolve để cải thiện đáng kể cả tốc độ và chất lượng của các thuật toán dự báo và tối ưu hóa đã được hoàn thiện. Trong các thử nghiệm ban đầu, chúng tôi đã đạt được sự cải thiện hơn 22% trong các chỉ số chính về độ chính xác dự báo, đồng thời giảm thời gian chạy hơn 90% trên các bộ dữ liệu chuẩn. Khi chuỗi cung ứng ngày càng trở nên phức tạp và khó dự đoán, AlphaEvolve có tiềm năng giúp các tổ chức lớn nhất thế giới đưa ra quyết định nhanh hơn, sáng suốt hơn và thích ứng với sự tự tin cao hơn.” — Gelu Ticala, Giám đốc Công nghệ, Kinaxis

Klarna: Tăng gấp đôi hiệu suất đồng thời cải thiện chất lượng mô hình
“Klarna đã áp dụng AlphaEvolve vào một trong những hệ thống huấn luyện học máy lớn nhất của họ và tăng gấp đôi hiệu suất đồng thời cải thiện chất lượng mô hình, tất cả đều tuân thủ các ràng buộc nghiêm ngặt về khả năng tái tạo của các dịch vụ tài chính được quản lý. Trong hơn ba tuần, hệ thống đã khám phá gần 6.000 chương trình ứng cử viên, phát hiện ra những sự thay đổi kiến ​​trúc sâu rộng mà không kỹ sư nào từng thử.” — Nhóm kỹ thuật của Klarna.

Kuro Games: Tối ưu hóa phía máy chủ

“Tại Kuro Games, nguyên tắc chỉ đạo của chúng tôi là trí tuệ nhân tạo không chỉ giúp công việc của chúng tôi nhanh hơn mà còn phải làm cho công việc của chúng tôi tốt hơn. AlphaEvolve là minh chứng thực tế cho nguyên tắc đó. Chúng tôi đã áp dụng nó vào một thách thức tối ưu hóa hệ thống phụ trợ phức tạp và nhận thấy sự cải thiện hiệu suất đáng kể trong các tác vụ cụ thể phía máy chủ. AlphaEvolve xử lý các loại công việc tối ưu hóa mà máy móc làm tốt nhất, vì vậy các kỹ sư của chúng tôi có thể tập trung vào những gì chỉ con người mới có thể làm: tạo ra những trò chơi tuyệt vời.” — Lin Chenchen, Giám đốc Công nghệ, Kuro Games

Phòng thí nghiệm quốc gia Oak Ridge: Tạo nhân GPU cho điện toán exascale

Theo chương trình Genesis Mission của Google DeepMind hợp tác với Bộ Năng lượng để cung cấp quyền truy cập sớm vào các công cụ trí tuệ nhân tạo phục vụ khoa học của chúng tôi.

“Phòng thí nghiệm quốc gia Oak Ridge (ORNL) gần đây đã hợp tác với Google để triển khai AlphaEvolve trên Frontier, siêu máy tính exascale đầu tiên trên thế giới. Nhóm nghiên cứu đã xây dựng một kiến ​​trúc đánh giá vòng kín, kết nối việc tạo mã mô hình ngôn ngữ lớn dựa trên đám mây với môi trường thực thi của Frontier. Hệ thống được thiết kế tối ưu hóa các nhân GPU độ chính xác hỗn hợp — đòi hỏi các quyết định phức tạp, liên kết với nhau về bộ nhớ, bố cục dữ liệu và đồng bộ hóa phần cứng — bằng cách tạo, biên dịch, chạy và xác thực các chương trình ứng cử viên một cách lặp đi lặp lại, trực tiếp trên GPU AMD của siêu máy tính. Khung tìm kiếm có thể thực thi này đánh giá từng tối ưu hóa cấu trúc được đề xuất dựa trên các quy tắc độ chính xác số học.”

“Sự hợp tác của chúng tôi với nhóm AlphaEvolve của Google đã cho chúng tôi cái nhìn sớm về cách lập trình tiến hóa có thể được kết hợp với siêu máy tính hàng đầu. Bằng cách chạy AlphaEvolve trên Frontier, chúng tôi đã khám phá một số lượng lớn các ứng cử viên tối ưu hóa song song, bao gồm cả các biến thể triển khai mới giúp chúng tôi khám phá những phần của không gian thiết kế mà chúng tôi có thể không đạt được chỉ bằng tối ưu hóa thủ công. Đây là một bước tiến đáng khích lệ đầu tiên hướng tới việc áp dụng tối ưu hóa hỗ trợ AI vào phần mềm khoa học ngày càng phức tạp.”—Oscar Hernandez Mendoza, Tiến sĩ, Nhà khoa học máy tính cấp cao, ORNL

Đại học Old Dominion: Mô hình hóa tỷ lệ tử vong do lão hóa sinh học

“Phòng thí nghiệm Qin tại Đại học Old Dominion đã sử dụng AlphaEvolve để tìm kiếm trong không gian các chương trình Python mô hình hóa tỷ lệ tử vong do lão hóa sinh học, một vấn đề trong sinh học lão hóa tính toán, nơi các phương trình điều khiển trải rộng trên nhiều định luật thực nghiệm. Sử dụng cụm máy tính hiệu năng cao (HPC) trên Google Cloud như một phần của sáng kiến ​​ODU MonarchSphere, AlphaEvolve – qua khoảng 500 lần đánh giá – đã tự động tái khám phá mô hình tử vong logistic Kannisto (một kết quả đã được công bố từ tài liệu sinh học lão hóa những năm 1990) mà không cần biết trước về tài liệu đó, cải thiện điểm số độ phù hợp tổng hợp của Mô hình Lão hóa Mới nổi lên 19% thông qua phân bố tỷ lệ suy giảm không đồng nhất, và chứng minh mối tương quan Strehler-Mildvan gần như hoàn hảo (0,949) thông qua cấu trúc mạng không phụ thuộc vào quy mô với lão hóa phổ Laplacian qua khoảng 500 lần đánh giá. Phát hiện quan trọng là các mô hình đa dạng về cấu trúc đều hội tụ về cùng một định luật lão hóa thực nghiệm, cung cấp bằng chứng cho thấy các quy luật Gompertz, Strehler-Mildvan và Kannisto là những điểm thu hút mạnh mẽ của các hệ thống sinh học. Nhóm nghiên cứu dự định mở rộng công việc này sang… “…các tập dữ liệu đa loài và kết nối các cấu trúc chương trình đã phát triển với các cơ chế sinh học có thể kiểm chứng được.” — Tiến sĩ Hong Qin, Khoa Khoa học Máy tính, Đại học Old Dominion

PacBio: Nâng cao độ chính xác và giảm chi phí trong lĩnh vực gen học.

“Giải pháp mà nhóm nghiên cứu của Google tìm ra bằng AlphaEvolve giúp tăng đáng kể độ chính xác cho các thiết bị giải trình tự của chúng tôi. Đối với các nhà nghiên cứu, dữ liệu chất lượng cao hơn này có thể giúp phát hiện ra các đột biến gây bệnh tiềm ẩn trước đây.” — Aaron Wenger, Giám đốc cấp cao, PacBio.

Pebble: Tối ưu hóa hiệu năng phục vụ trên GPU

“Tối ưu hóa việc phục vụ suy luận là một vấn đề vô cùng khó khăn vì nó là một thách thức thiết kế hệ thống đa chiều, thay đổi liên tục giữa các ràng buộc về bộ nhớ, tính toán và điều phối phần cứng. Mô hình độ trễ của AI Configurator của NVIDIA bị tắc nghẽn nghiêm trọng bởi một hệ số hiệu chỉnh thực nghiệm tĩnh duy nhất là 0,8 được áp dụng đồng đều cho tất cả các khối lượng công việc, và không mô hình hóa sự khác biệt về hiệu quả giữa FP8 và BF16, khiến các cấu hình được đề xuất lệch khỏi mức tối ưu. AlphaEvolve đã giải quyết vấn đề này bằng cách tự động khám phá các công thức mô hình hóa hiệu suất GPU trực tiếp từ dữ liệu huấn luyện trước đó của chúng tôi. Phương pháp tiến hóa được hỗ trợ bởi Gemini này đã giảm đáng kể lỗi mô hình của chúng tôi, mang lại mức giảm lỗi tương đối hơn 56%. Chúng tôi rất vui mừng được tích hợp chức năng hiệu quả được học hỏi mượt mà hơn này và tận dụng AlphaEvolve để liên tục lập bản đồ các thông số kỹ thuật phần cứng mới nổi mà không cần điều chỉnh thủ công.” — Keval Shah, Trưởng bộ phận AI, Pebble

Qbraid: Thúc đẩy điện toán lượng tử

“AlphaEvolve đã mang lại kết quả vượt trội so với một hệ thống mã hóa mà chúng tôi đã dành nhiều năm để hoàn thiện. Nó đã tìm kiếm trong một không gian thiết kế quá rộng lớn để có thể rà soát thủ công và trả về kết quả mà chúng tôi có thể đọc, xác minh và hiểu được. Các hệ thống như AlphaEvolve sẽ thúc đẩy đáng kể tiến trình hướng tới điện toán lượng tử hữu ích.” — Kenny Heitritter, Phó Chủ tịch Nghiên cứu và Phát triển tại qBraid.

Schrödinger: Shortening cycles for molecular simulations for drug discovery
“AlphaEvolve cho phép chúng tôi khám phá không gian hóa học rộng lớn hơn một cách nhanh chóng và hiệu quả hơn bao giờ hết. Suy luận MLFF nhanh hơn mang lại tác động kinh doanh thực sự, rút ​​ngắn chu kỳ nghiên cứu và phát triển trong việc khám phá thuốc, thiết kế chất xúc tác và phát triển vật liệu, đồng thời cho phép các công ty sàng lọc các ứng viên phân tử chỉ trong vài ngày thay vì vài tháng.” — Gabriel Marques, Trưởng nhóm Công nghệ Học máy, Schrödinger.

Substrate: Tăng tốc độ thực thi cho mô phỏng bán dẫn
“AlphaEvolve đã thay đổi tốc độ và hiệu quả của các khung công nghệ in thạch bản điện toán của chúng tôi và, ấn tượng hơn nữa, đã chứng minh tiềm năng của các mô hình này trong việc thiết kế chính chúng trong tương lai, đến tận cấp độ nguyên tử.” — James Proud, Giám đốc điều hành, Substrate.

WPP: Giải mã bí quyết thành công của chiến dịch

“WPP gặp phải giới hạn trong việc dự đoán hiệu quả các chiến dịch quảng cáo sáng tạo, vì việc tối ưu hóa mô hình thủ công chỉ mang lại mức tăng độ chính xác khiêm tốn 1% mặc dù đã tốn rất nhiều thời gian và công sức. Để khắc phục thách thức này, nhóm Nghiên cứu của WPP đã sử dụng AlphaEvolve để tự động đề xuất, đánh giá và tinh chỉnh các kiến ​​trúc mô hình ứng cử viên thay vì dựa vào quá trình thử nghiệm thủ công chậm chạp. Khung làm việc dựa trên Agent này đã vượt qua hiệu quả những hạn chế của phương pháp thử và sai, thành công trong việc xử lý dữ liệu chiến dịch phức tạp, đa chiều và sự mất cân bằng lớp. Kết quả là, WPP đã đạt được mức tăng đáng kể từ 5-10% (trong các trường hợp sử dụng khác nhau) cả về độ chính xác dự đoán và điểm số đề xuất tiếp theo, vượt trội hơn tất cả các mô hình cơ bản trước đây, bao gồm cả các mô hình mạng nơ-ron và mô hình Gemma được tinh chỉnh.” — Anastasios Tsourtis, Nhà khoa học dữ liệu hàng đầu, WPP.

Tăng cường cơ sở hạ tầng và nghiên cứu khoa học của chính chúng ta.

Ngoài việc triển khai bên ngoài, Google đã tích hợp AlphaEvolve như một công cụ cốt lõi để mở rộng cơ sở hạ tầng hiện đại của riêng mình. Theo chi tiết từ Google DeepMind, AlphaEvolve đã tối ưu hóa thành công thiết kế silicon của các bộ xử lý Tensor (TPU) thế hệ tiếp theo với bố cục mạch hiệu quả cao và độc đáo, tinh chỉnh thuật toán nén cây hợp nhất cấu trúc nhật ký của Google Spanner để giảm hiện tượng khuếch đại ghi xuống 20%, và giảm dung lượng lưu trữ phần mềm xuống gần 9% thông qua các chiến lược tối ưu hóa trình biên dịch mới. Thêm vào đó, Agent này đã đóng góp quan trọng vào nghiên cứu khoa học, tăng độ chính xác dự đoán trên 20 loại rủi ro thiên tai lên 5%, và phát hiện ra các mạch lượng tử với tỷ lệ lỗi thấp hơn 10 lần khi chạy các mô phỏng phân tử phức tạp trên bộ xử lý lượng tử Willow của Google.

Theo Pushmeet Kohli, nhà khoa học trưởng của Google Cloud kiêm Phó chủ tịch khoa học tại Google DeepMind, “Trí tuệ nhân tạo (AI) đang vượt ra khỏi vai trò trợ lý năng suất giúp tăng tốc quá trình làm việc, trở thành một công cụ khám phá mở rộng những gì chúng ta có thể đạt được. Bằng cách tự động điều hướng trong không gian tìm kiếm tính toán phức tạp, các công cụ như AlphaEvolve đang giúp các nhà nghiên cứu và kỹ sư khám phá ra các thuật toán đột phá, bổ sung cho trực giác truyền thống của con người”.

Hãy bắt đầu nâng cấp mã nguồn của bạn ngay hôm nay!

Để bắt đầu sử dụng AlphaEvolve, bạn chỉ cần thực hiện hai thao tác chính:

1. Chương trình hạt giống: Thuật toán ban đầu được viết dưới dạng mã. Bạn chỉ định các đoạn mã nào có thể được tối ưu hóa và cung cấp chúng cho AlphaEvolve.
2. Bộ đánh giá: Một kịch bản đánh giá phía máy khách mang tính xác định, biên dịch, kiểm tra và chấm điểm các ứng viên đã được biến đổi, trả về một hoặc nhiều chỉ số vô hướng để AlphaEvolve tối đa hóa.

Trình chạy phía máy khách của bạn truy vấn API của AlphaEvolve để lấy các giải pháp ứng cử viên đã được biến đổi, chạy chúng thông qua trình đánh giá phía máy khách của bạn (có thể chạy ở bất cứ đâu) và gửi điểm số trở lại AlphaEvolve để bạn lấy mẫu.

Để sử dụng AlphaEvolve, Google khuyên bạn nên bắt đầu bằng cách làm theo Tài liệu sau Sau khi  thiết lập API AlphaEvolve bằng cách sử dụng hướng dẫn nhập môn với các ví dụ cơ bản trên Colab để hiểu cách hoạt động của thuật toán AlphaEvolve. Đối với các quy trình làm việc dựa trên Agent, bạn có thể dễ dàng bắt đầu sử dụng Kỹ năng AlphaEvolve trong IDE mà bạn lựa chọn, chẳng hạn như Antigravity hoặc Claude Code. Để thử nghiệm phức tạp hơn, hãy tham khảo tài liệu hướng dẫn và các ví dụ nâng cao cung cấp thêm tài nguyên hoặc liên hệ với Gimasys để thực hiện chi tiết quy trình thí nghiệm AlphaEvolve.