Google DeepMind vừa công bố kết quả sau một năm triển khai AlphaEvolve, hệ thống AI tạo sinh dùng để đề xuất mã nguồn và thuật toán mới. Theo hãng, công cụ này đã giúp cải thiện hiệu năng và chi phí trong nhiều lĩnh vực như phân tích DNA, lưới điện, dự báo thiên tai, tính toán lượng tử, hạ tầng nội bộ của Google và logistics.

Theo Gigazine ngày 8/5 (giờ địa phương), AlphaEvolve được xây dựng trên nền tảng Gemini để tạo ra các phương án mã nguồn và phương pháp tính toán mới. Hệ thống sau đó tự động đánh giá từng phương án dựa trên tốc độ, độ chính xác và mức tiết kiệm chi phí, rồi tiếp tục tinh chỉnh những ứng viên cho kết quả tốt hơn.

Khác với các công cụ viết mã thông thường, AlphaEvolve được thiết kế để tìm ra thuật toán hiệu quả hơn cho các bài toán có thể đo lường bằng số liệu. Khi ra mắt hệ thống này vào tháng 5 năm ngoái, Google DeepMind cho biết AlphaEvolve có thể hỗ trợ phát hiện những thuật toán chưa từng được biết đến hoặc đề xuất lời giải mới cho các bài toán chưa có đáp án.

Trong số các kết quả mới được công bố, lĩnh vực khoa học sự sống ghi nhận cải thiện đáng chú ý với DeepConsensus, mô hình phân tích DNA. AlphaEvolve giúp giảm 30% lỗi trong việc phát hiện biến thể, bao gồm cả trường hợp bỏ sót biến thể liên quan đến bệnh và nhận diện nhầm biến thể không tồn tại. Với giới nghiên cứu, đây là bước tiến có ý nghĩa trong việc nâng độ chính xác khi diễn giải dữ liệu gene.

Ở mảng lưới điện, hệ thống cho thấy hiệu quả trong bài toán tối ưu công suất xoay chiều (AC). Với yêu cầu phân bổ điện năng hiệu quả nhưng vẫn phải đáp ứng các ràng buộc của nhà máy điện và đường truyền tải, tỷ lệ mô hình AI tìm được nghiệm khả thi đã tăng từ 14% lên hơn 88%. Khi số nghiệm khả thi tăng lên, nhu cầu hiệu chỉnh thủ công hoặc bổ sung bằng các hệ thống vận hành riêng có thể giảm xuống.

AlphaEvolve cũng cải thiện các mô hình dự báo thiên tai. Với hệ thống AI dự đoán rủi ro của 20 loại hình thiên tai như cháy rừng, lũ lụt và lốc xoáy, công cụ này đã điều chỉnh cách xử lý dữ liệu quan sát Trái đất, qua đó nâng độ chính xác tổng thể thêm 5%.

Trong lĩnh vực tính toán lượng tử, AlphaEvolve đề xuất một mạch lượng tử để chạy mô phỏng phân tử trên bộ xử lý lượng tử Willow của Google. Theo Google DeepMind, mạch này có mức lỗi thấp hơn 10 lần so với phương án tối ưu trước đó.

Phạm vi ứng dụng trong nghiên cứu toán học cũng được mở rộng. AlphaEvolve hỗ trợ nghiên cứu nhóm bài toán Erdős thông qua hợp tác với nhà toán học Terence Tao của UCLA. Công cụ này đồng thời góp phần cải thiện kỷ lục cận dưới trong các bài toán kinh điển như bài toán người bán hàng rong và số Ramsey.

Bên cạnh nghiên cứu, Google cũng đẩy mạnh triển khai AlphaEvolve vào hạ tầng nội bộ. Hệ thống đã được sử dụng để tối ưu thiết kế TPU thế hệ tiếp theo. Trong bài toán cải thiện chính sách thay thế bộ nhớ đệm, AlphaEvolve hoàn thành công việc trong hai ngày, thay vì mất vài tháng nếu thực hiện theo quy trình thủ công.

Với cơ sở dữ liệu Google Spanner, AlphaEvolve giúp giảm 20% tỷ lệ write amplification. Ngoài ra, nhờ chiến lược tối ưu hóa trình biên dịch, hệ thống còn cắt giảm khoảng 9% dung lượng lưu trữ phần mềm.

Ứng dụng thương mại của AlphaEvolve cũng đang mở rộng. Klarna cho biết đã tăng gấp đôi tốc độ huấn luyện các mô hình transformer quy mô lớn. Startup bán dẫn Substrate cải thiện tốc độ xử lý quang khắc tính toán lên nhiều lần. FM Logistic giảm hơn 15.000 km quãng đường di chuyển mỗi năm nhờ tối ưu tuyến giao hàng, trong khi WPP nâng 10% độ chính xác của mô hình AI phục vụ chiến dịch quảng cáo. Schrödinger cũng tăng khoảng bốn lần tốc độ của các mô hình mô phỏng phân tử dùng trong phát triển thuốc và vật liệu.

Google DeepMind mô tả AlphaEvolve là một tác nhân viết mã dựa trên Gemini và đang tiếp tục mở rộng triển khai sang nhiều ngành. Công ty xem đây là một bước tiến quan trọng hướng tới giai đoạn AI có thể trực tiếp phát hiện và cải thiện thuật toán. Theo Google DeepMind, điểm đáng chú ý là chỉ sau một năm, AlphaEvolve đã vượt khỏi vai trò của một công cụ nghiên cứu để được ứng dụng vào hạ tầng của Google cũng như hoạt động vận hành doanh nghiệp.