By Linus 
AlphaEvolve är inte bara ännu ett AI-system. Det är ett självförbättrande kodmonster som redan gjort vetenskapliga genombrott forskare försökt lösa i över ett halvt sekel.
Google DeepMind har lanserat ett nytt forskningsprojekt som kan visa sig bli historiskt: AlphaEvolve – en autonom kodagent byggd för att uppfinna algoritmer och lösa vetenskapliga problem utan mänsklig hjälp. Enligt DeepMind är det ett direkt steg mot Artificiell Allmän Intelligens (AGI) – och till och med mot Artificiell Superintelligens (ASI).
I stället för att tränas på mänskliga exempel eller etiketterade data, arbetar AlphaEvolve genom en evolutionär loop. Den börjar med en enkel lösning på ett problem, föreslår små förändringar i koden – så kallade diffs – testar dessa, och behåller de bästa. Processen liknar biologisk evolution: mutation, selektion, överlevnad.
Denna loop upprepas tusentals gånger, där varje generation bygger vidare på den förra. Till slut uppstår kodlösningar som inte bara är effektiva – utan ibland överträffar vad mänskliga forskare lyckats konstruera under decennier av arbete.
AlphaEvolve har redan visat vad det går för. En av de mest uppmärksammade prestationerna är när det lyckades ta fram en ny algoritm för multiplikation av 4×4 komplexa matriser – med endast 48 multiplikationer. Det är ett genombrott: den tidigare bästa kända metoden, Strassens algoritm från 1969, behövde 49.
Dessutom har AlphaEvolve presterat över mänskliga forskare i cirka 20 % av över 50 matematiska testfall, inklusive klassiska problem inom kombinatorik, geometri och talteori – såsom förbättringar av Kissing number-problemet i 11 dimensioner.
Utöver teoretiska problem har AlphaEvolve också förbättrat Googles egna tekniska system:
- Datacenteroptimering: Förbättrad jobbplacering som återvann nästan 1 % tidigare oanvänd beräkningskraft.
- Träningskärnor: En ny kakelstrategi ökade kärnhastigheten med 23 % och minskade träningstiden för LLM:er.
- Kretsdesign (TPU): Förenklade logiska uttryck på RTL-nivå, vilket inkluderats i nästa generations TPU-chips.
- GPU-inferens: Redigerade XLA-kod gav 32 % snabbare FlashAttention.
Det betyder att AlphaEvolve fungerar från abstrakta matematiska nivåer hela vägen ner till hårdvarunära kod – en förmåga som är ovanlig även bland de mest avancerade AI-systemen idag.
Medan tidigare AI-modeller som ChatGPT, Gemini eller Claude bygger på Reinforcement Learning from Human Feedback (RLHF), så behöver AlphaEvolve ingen mänsklig feedback alls. Det förlitar sig helt på automatiserade utvärderingsfunktioner – alltså program som själva avgör hur bra en kodlösning är.
Det gör det möjligt för AlphaEvolve att:
- Lära sig utan mänsklig inblandning
- Göra kontinuerlig självförbättring
- Utforska nya, icke-intuitiva lösningar som människor kanske inte ens skulle tänka på
Enligt DeepMind går detta ”bortom förutsägelse” och in i upptäcktens domän. Med andra ord: det här är inte en modell som bara svarar på frågor – det är ett system som aktivt formulerar nya svar.
AlphaEvolve är kanske det närmaste vi idag har sett till ett system som kan bete sig som en självständig, kreativ vetenskapsman. Det kan formulera hypoteser, testa dem, utvärdera dem och använda resultaten för att förbättra sitt eget tänkande – utan mänsklig översyn.
Det är också ett första exempel på rekursiv självförbättring – något som länge setts som ett nyckelkriterium för framtida superintelligent AI. AlphaEvolve har till och med förbättrat delar av sin egen träningsinfrastruktur.
AlphaEvolve fungerar bara där man kan utvärdera lösningar programmerbart och matematiskt. Den kan ännu inte lösa problem som kräver subjektiv förståelse, fysisk experimentering eller emotionell intelligens. Men DeepMind arbetar redan på nästa steg: att blanda in symboliskt resonemang, språkförståelse och till och med mänsklig feedback i mer komplexa miljöer.
Med AlphaEvolve tar vi ett stort steg från statiska språkmodeller till något helt nytt: en autonom forskningsagent. Det är inte längre en fråga om att bara svara på våra frågor – utan om AI snart kommer ställa sina egna.