AlphaEvolve nachází algoritmy, které by lidé hledali měsíce, a dokládá to čísly z produkce

AlphaEvolve není chatbot ani generátor kódu. Je to evoluční smyčka: Gemini navrhuje algoritmy, automatizovaný evaluátor je testuje, lepší verze přepisují horší. DeepMind ji nasadil na problémy, kde malé zlepšení algoritmu přináší velké úspory v produkci.

AlphaEvolve prohledává prostor algoritmů tam, kde chatbot napíše jen kód

Google DeepMind systém představil v květnu 2025. AlphaEvolve kombinuje Gemini jako jazykový mozek s automatizovaným evaluátorem, který měří kvalitu navržených řešení a vrací výsledek zpět do smyčky. Výstupem není text o algoritmu, ale spustitelný kód, který lze nasadit.

Konkrétní dopady jsou měřitelné. V genomice (DeepConsensus) snížil systém chybovost detekce variant o 30 %. Pro databázi Google Spanner snížil write amplification o 20 %. V kompilátorové optimalizaci ušetřil přibližně 9 % softwarového úložiště. Nalezení optimální cache replacement policy pro Spanner trvalo systému dva dny, kde předtím šlo o měsíce vývoje. Pro AC Optimal Power Flow zvýšil podíl feasible řešení z 14 % na 88 %.

Komerční výsledky partnerů: Klarna tvrdí zdvojnásobení rychlosti trénování transformer modelů. FM Logistic hlásí 10,4 % zlepšení efektivity routingu a úsporu přes 15 000 km ročně. WPP uvádí 10 % nárůst přesnosti v optimalizaci kampaní.

Tenhle přístup má jinou logiku než standardní AI asistent

Klasický LLM pomáhá programátorovi napsat kód. AlphaEvolve přeskočí programátora a prohledává prostor možných algoritmů přímo. Není to asistent, je to automatický optimalizátor s evaluátorem uvnitř.

Pro domény s jasnou evaluační funkcí je to zásadní posun. Plánování, databáze, kompilátory, numerické metody nebo výzkumné pipeline jsou oblasti, kde malé zlepšení algoritmu přináší nelineárně velké úspory. Právě proto, že dostupnost je zatím omezena na podnikový kanál přes Google Cloud, jsou čísla z Klarna, FM Logistic a WPP prvním realistickým testem mimo laboratoř.

Všechna čísla jsou od DeepMind nebo jejich partnerů, ne od nezávislých ověřovatelů

Všechna výše citovaná čísla pochází z materiálů DeepMind nebo od partnerů jako Klarna, FM Logistic a WPP. Nejde o nezávislé ověření. Evoluční smyčka funguje dobře na problémy s jasnou automatizovatelnou evaluační funkcí. Kde evaluaci nelze automatizovat (bezpečnost kódu, čitelnost, edge cases, business logika), systém nemá co řídit.

Dostupnost je zatím výhradně přes Google Cloud partnership pro enterprise. Veřejné API ani open-source verze zatím oznámeny nebyly.

Nezávislá reprodukce mimo Google infrastrukturu je klíčový signál

Signál ke sledování je nezávislá reprodukce: zda výsledky na Spanneru, DeepConsensus nebo routingu drží mimo Googlem kontrolované prostředí. Druhý signál: zda se evoluční přístup zobecní na domény, kde evaluátor není triviální napsat, a zda výsledky přežijí audit třetí stranou.

Lilithin verdikt

AlphaEvolve nepomáhá programátorovi psát. Prohledává prostor řešení a vrací spustitelný kód. Kdo ho jako první pustí na problém, který ještě neví, že jde automatizovat, získá asymetrickou výhodu.