Před pár dny jsme na Oslu psali o nejnovějším výtvoru z dílen Google DeepMind, umělé inteligenci AlphaEvolve. Tehdy jsme měli k dispozici jen střípky informací, ale i ty naznačovaly, že se jedná o skutečnou revoluci v automatizovaném vývoji algoritmů. Google mezitím poskytl podrobnější technickou zprávu, která nám umožňuje nahlédnout hlouběji pod pokličku tohoto fascinujícího projektu. Můžeme se tak podívat na zoubek tomu, co AlphaEvolve skutečně dokáže a jak mění pravidla hry nejen v programování, ale i v základním vědeckém výzkumu. A věřte, že je to čtení, u kterého občas spadne brada.

Co je AlphaEvolve a proč bychom měli zbystřit?

Vzpomínáte na FunSearch? Byl to takový první nesmělý krok Googlu k tomu, nechat umělou inteligenci objevovat nové matematické postupy. AlphaEvolve je jeho podstatně svalnatější a chytřejší bratříček. Už to není jen o evoluci jedné funkce v Pythonu; AlphaEvolve dokáže pracovat s celými soubory kódu, a to v různých programovacích jazycích, přičemž si poradí se stovkami řádků kódu oproti desítkám u FunSearch. Představte si to jako dirigenta, který nevede jen jednoho houslistu, ale celý orchestr složený z různých jazykových modelů (LLM), konkrétně z kombinace rychlého Gemini 2.0 Flash a výkonnějšího Gemini 2.0 Pro. Tento ansámbl pak pod taktovkou AlphaEvolve iterativně vylepšuje algoritmy, neustále dostává zpětnou vazbu od hodnotitelů a učí se z ní.

Zní to možná trochu jako sci-fi, ale výsledky mluví samy za sebe. Nejde jen o to, že by AlphaEvolve plnil nějaké akademické benchmarky. Google ho nasadil na optimalizaci kritických komponent své vlastní masivní výpočetní infrastruktury a výsledky jsou ohromující.

Schéma fungování AlphaEvolve – od zadání problému člověkem až po vylepšené řešení navržené umělou inteligencí. Zdroj: Google DeepMind.

Schéma fungování AlphaEvolve – od zadání problému člověkem až po vylepšené řešení navržené umělou inteligencí. Zdroj: Google DeepMind.

Evoluce v praxi: Od datových center po matematické objevy

Jak tedy AlphaEvolve funguje? Člověk na začátku definuje problém – co se má vylepšit, jaká jsou kritéria hodnocení a může poskytnout počáteční řešení nebo relevantní znalosti. AlphaEvolve pak převezme štafetu a začne "kutat". Vytváří návrhy programů, které jsou následně hodnoceny, a ty nejslibnější se ukládají do databáze, aby inspirovaly další generace řešení. Klíčové je, že celý proces je automatický a může běžet i hodiny, využívaje paralelní výpočty na akcelerátorech.

Příklad evoluce kódu v AlphaEvolve: (a) Uživatelem definovaný blok kódu k evoluci, (b) Prompt pro LLM s aktuálním kódem a historií, (c) Návrh změny kódu (diff) od LLM. Zdroj: Google DeepMind.

Konkrétní úspěchy, které stojí za zmínku:

Optimalizace datových center Google: AlphaEvolve vyvinul efektivnější plánovací algoritmus pro systém Borg, který spravuje datová centra Googlu. Výsledkem je úspora 0,7 % výpočetních zdrojů v rámci celé flotily, což při škále Googlu představuje nemalé finanční i energetické úspory. Je fascinující, jak relativně jednoduchá, ale chytře navržená heuristická funkce (viz obrázek níže) dokáže takový rozdíl. A co je na tom nejlepší? Řešení od AlphaEvolve je nejen výkonnější, ale i lépe interpretovatelné a snadněji nasaditelné než například přístupy založené na hlubokém posilovaném učení. V dnešní době, kdy se mluví o udržitelnosti a energetické náročnosti AI, je každý takový krok vítaný.

Heuristická funkce pro plánování úloh v datových centrech objevená AlphaEvolve a její vizualizace. Zdroj: Google DeepMind.

Zrychlení tréninku LLM: Ironií osudu AlphaEvolve pomohl zrychlit trénink jazykového modelu, který je sám jeho součástí. Konkrétně optimalizoval tzv. "tiling heuristics" pro maticové operace v rámci frameworku Pallas (rozšíření JAXu), což vedlo k průměrnému zrychlení kernelů o 23 % a 1% snížení celkového času tréninku Gemini. Z několika měsíců práce expertů se staly dny automatizovaného experimentování.

Návrh hardwarových akcelerátorů: AlphaEvolve našel zjednodušení v návrhu obvodů pro hardwarové akcelerátory (TPU), konkrétně v aritmetickém obvodu v jednotce pro násobení matic. Ačkoliv tuto konkrétní optimalizaci později nezávisle zachytily i jiné nástroje, AlphaEvolve ji navrhl přímo na úrovni RTL (Register-Transfer Level), což ukazuje jeho potenciál přispívat k návrhu čipů již v raných fázích. Představa, že AI navrhuje hardware pro další generace AI, už není tak vzdálená.

Překonání 56 let starého problému v násobení matic: Jedním z nejvíce ohromujících výsledků je objev nového algoritmu pro násobení komplexních matic o rozměrech 4×4 s použitím pouze 48 skalárních násobení. Tímto AlphaEvolve překonal slavný Strassenův algoritmus z roku 1969, který v tomto konkrétním případě vyžadoval 49 násobení, a to po více než půl století. Celkově AlphaEvolve vylepšil nebo dorovnal nejlepší známá řešení pro 14 různých velikostí maticových násobení.

Ukázka rozsáhlých změn navržených AlphaEvolve pro optimalizaci algoritmu násobení matic. Zdroj: Google DeepMind.

Nové objevy v matematice: AlphaEvolve se pustil do více než 50 otevřených matematických problémů a v přibližně 20 % z nich překonal dosavadní nejlepší známá řešení (SOTA). Mezi tyto úspěchy patří vylepšení v problému minimálního překryvu (Minimum Overlap Problem), který formuloval Paul Erdős, nebo nalezení lepší konstrukce pro problém "líbajících se koulí" (Kissing Numbers problem) v 11 dimenzích, kde se mu podařilo najít konfiguraci 593 koulí dotýkajících se centrální koule, čímž překonal předchozí rekord 592. Způsob, jakým AlphaEvolve k těmto objevům dospěl, je sám o sobě zajímavý – často vyvíjel specializované heuristické prohledávací algoritmy, které postupně vylepšovaly již tak kvalitní řešení.

Příklady matematických objevů dosažených pomocí AlphaEvolve v oblastech analýzy, geometrie a kombinatoriky. Zdroj: Google DeepMind.

A co na to ostatní? AI závod nekončí

Zatímco Google slaví úspěchy s AlphaEvolve, ostatní technologičtí giganti rozhodně nespí na vavřínech. Závod v oblasti umělé inteligence je v plném proudu a poslední týdny přinesly několik zajímavých oznámení:

• OpenAI, zdá se, pokračuje v rychlém tempu inovací svých modelů řady GPT. Nedávno (duben 2025) představili nové modely o3 a o4-mini, které se chlubí pokročilejšími schopnostmi uvažování a zpracováním vizuálních vstupů. Spekuluje se také o brzkém příchodu GPT-5, od kterého se očekávají další skokové pokroky. Navíc firma ohlásila akvizici společnosti Windsurf, specializující se na vývoj AI nástrojů pro kódování, což naznačuje snahu posílit své pozice i v této oblasti.
• Apple se také snaží dohnat konkurenci a v květnu 2025 přišel s novými AI funkcemi pro své operační systémy, které zahrnují pokročilé úpravy fotografií a vylepšení prediktivního textu. Zajímavá je také zpráva o spolupráci s Anthropic (tvůrci modelu Claude) na integraci AI do vývojářského nástroje Xcode, což by mohlo programátorům výrazně usnadnit práci.
• Čínský gigant Alibaba se svým modelem Qwen3 (květen 2025) dotahuje na špičku a ukazuje, že americké firmy nemají dominanci jistou. Qwen3 se zaměřuje na cenovou efektivitu a vícejazyčné schopnosti.
• Huawei zrychluje produkci svého AI čipu Ascend 910C jako alternativy k čipům od Nvidie, jejichž export je omezen.
• xAI Elona Muska vylepšuje svého Groka o paměť a nové nástroje, čímž se snaží konkurovat ChatGPT a Gemini i v podnikovém segmentu.

Je zřejmé, že vývoj AI akceleruje napříč celým spektrem – od základních modelů přes specializované agenty až po hardwarovou infrastrukturu. Otázky energetické náročnosti a etických implikací (např. deepfakes) jsou stále palčivější, ale zároveň se otevírají nové možnosti v oblastech jako zdravotnictví, vědecký výzkum či automatizace.

Stojíme na prahu doby, kdy největší vědecké objevy nebudou dílem jen lidského génia, ale symbiózou lidské intuice a výpočetní kreativity umělé inteligence. Zdroj: AI

Co z toho plyne?

AlphaEvolve není jen další chytrý program. Je to ukázka nové éry, kde umělá inteligence neslouží jen jako nástroj pro analýzu dat, ale stává se plnohodnotným partnerem ve vědeckém objevování a inženýrské optimalizaci. Schopnost iterativně vylepšovat kód, učit se ze zpětné vazby a přicházet s neotřelými řešeními problémů, na kterých si lidé lámali hlavu desítky let, je skutečně fascinující.

Samozřejmě, má to i svá omezení. AlphaEvolve exceluje tam, kde lze řešení automaticky a objektivně hodnotit. Problémy vyžadující manuální experimenty nebo subjektivní hodnocení jsou zatím mimo jeho dosah. Ale i tak je spektrum aplikací obrovské – od matematiky přes informatiku až po optimalizaci komplexních systémů.

Je trochu škoda, že si Google takovýto klenot zatím nechává převážně pro sebe a pro své interní potřeby, jak jsme psali minule. Na druhou stranu, vzhledem k jeho potenciálu je to pochopitelné. Doufejme, že se alespoň některé jeho principy brzy promítnou do veřejně dostupných nástrojů. Protože pokud AlphaEvolve dokáže takto pomáhat Googlu, představte si, co by mohl znamenat pro vědce a vývojáře po celém světě. Stojíme na prahu doby, kdy největší vědecké objevy nebudou dílem jen lidského génia, ale symbiózou lidské intuice a výpočetní kreativity umělé inteligence. A to je myšlenka, která je stejně vzrušující jako trochu znepokojivá.

Další čtení

• Novikov, A., Vũ, N., Eisenberger, M., et al. (2025-05-16). AlphaEvolve: A coding agent for scientific and algorithmic discovery. Google DeepMind. Zdroj: https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/AlphaEvolve.pdf Popis: Detailní technická zpráva (white paper) popisující architekturu, schopnosti a konkrétní výsledky AlphaEvolve, včetně matematických důkazů a popisů experimentů.
• Původní článek na Osel.cz: Alpha Evolve: Google vyvinul superpokročilou inteligenci pro tvorbu algoritmů. Popis: Prvotní představení AlphaEvolve na základě tiskové zprávy.
• Romera-Paredes, B., Barekatain, M., Novikov, A., et al. (2023). Mathematical discoveries from program search with large language models. Nature, 625(7995), 468-475. Odkaz: https://www.nature.com/articles/s41586-023-06924-6 Popis: Článek představující FunSearch, systém, z něhož AlphaEvolve vychází, se zaměřením na objevování nových poznatků v matematice.
• Fawzi, A., Balog, M., Huang, A., et al. (2022). Discovering faster matrix multiplication algorithms with reinforcement learning. Nature, 610(7930), 47-53. Odkaz: https://www.nature.com/articles/s41586-022-05172-4 Popis: Článek popisující AlphaTensor, specializovanou AI na objevování algoritmů pro násobení matic, jejíž schopnosti AlphaEvolve dále zobecňuje a rozšiřuje.
• The AI Track (Květen 2025). AI News May 2025: In-Depth and Concise. Odkaz: https://theaitrack.com/ai-news-may-2025-in-depth-and-concise/ Popis: Souhrn nejnovějších zpráv ze světa AI za květen 2025, včetně aktivit OpenAI, Apple a dalších.
• Crescendo.ai (Květen 2025). Latest AI Breakthroughs and News: April- May 2025. Odkaz: https://www.crescendo.ai/news/latest-ai-news-and-updates Popis: Přehled průlomových novinek v AI z dubna a května 2025, včetně zmínek o Alibaba Qwen3 a aktivitách Apple.

Klíčová slova: AlphaEvolve, Google DeepMind, umělá inteligence, AI, strojové učení, evoluční algoritmy, generování kódu, optimalizace algoritmů, Gemini, FunSearch, AlphaTensor, násobení matic, vědecké objevy, matematika, datová centra, TPU, OpenAI, Apple, Alibaba.