AlphaEvolve: Agen Coding Gemini yang Menemukan Algoritma Baru untuk Google
CLB.my.id - Google DeepMind punya agen coding yang sudah setahun bekerja diam-diam di balik infrastruktur Google. Namanya AlphaEvolve, dan kini sistem bertenaga Gemini itu sudah menyebar ke berbagai bidang, mulai dari desain chip TPU hingga optimasi jaringan listrik.
AlphaEvolve bukan asisten coding biasa. Sistem ini dirancang khusus untuk menemukan dan mengoptimasi algoritma secara otonom. Dalam satu tahun terakhir, AlphaEvolve sudah bertransformasi dari alat riset menjadi komponen inti infrastruktur Google, dengan dampak nyata di bidang genetika, fisika kuantum, matematika, hingga manufaktur semikonduktor.
Dari DNA hingga Jaringan Listrik
Salah satu capaian paling menonjol AlphaEvolve ada di bidang genetika. Bekerja sama dengan Google Research, sistem ini meningkatkan performa DeepConsensus, model koreksi kesalahan sekuensing DNA. Hasilnya, kesalahan deteksi varian genetik turun 30 persen, yang berarti data genetik berkualitas lebih tinggi dengan biaya lebih rendah.
“Pengunciannya membuka tingkat akurasi yang secara bermakna lebih tinggi untuk instrumen sekuensing kami,” ujar Aaron Wenger, Senior Director di PacBio, perusahaan teknologi sekuensing DNA. “Bagi peneliti, data berkualitas lebih tinggi ini bisa memungkinkan penemuan mutasi penyebab penyakit yang sebelumnya tersembunyi.”
Di bidang energi, AlphaEvolve memecahkan masalah AC Optimal Power Flow, persoalan klasik dalam optimasi jaringan listrik. Sistem ini meningkatkan tingkat solusi yang layak dari model Graph Neural Network dari 14 persen menjadi lebih dari 88 persen, mengurangi kebutuhan pasca-pemrosesan yang mahal untuk jaringan listrik.
AlphaEvolve juga mengoptimasi model Earth AI untuk memprediksi risiko bencana alam. Akurasi prediksi keseluruhan naik 5 persen di 20 kategori, termasuk kebakaran hutan, banjir, dan tornado.
Kolaborasi dengan Terence Tao
Di ranah matematika, AlphaEvolve berkolaborasi dengan pakar seperti Terence Tao, profesor matematika di UCLA, untuk memecahkan masalah terbuka. Sistem ini memecahkan rekor untuk masalah Traveling Salesman Problem dengan memperbaiki batas bawah, sekaligus menemukan nilai baru untuk Bilangan Ramsey.
“Alat seperti AlphaEvolve memberi kemampuan baru yang sangat berguna bagi matematikawan,” kata Terence Tao. “Alat ini memungkinkan kami menemukan bukti ketat dengan lebih mudah.”
Di bidang fisika kuantum, AlphaEvolve mengoptimasi sirkuit kuantum untuk prosesor Willow milik Google. Hasilnya mencapai galat 10 kali lebih rendah dibanding baseline yang dioptimasi secara konvensional, memungkinkan demonstrasi eksperimental segera dilakukan.
Mendesain Chip TPU Berikutnya
Mungkin capaian paling mengejutkan adalah peran AlphaEvolve dalam mendesain generasi chip TPU berikutnya. Sistem ini mengusulkan desain sirkuit yang kontra-intuitif namun efisien, yang langsung diintegrasikan ke dalam silikon.
“AlphaEvolve mulai mengoptimasi level terendah perangkat keras yang menopang tumpukan AI kami,” kata Jeff Dean, Chief Scientist di Google DeepMind dan Google Research. “Ini adalah contoh terbaru dari otak TPU yang membantu mendesain tubuh TPU generasi berikutnya.”
AlphaEvolve juga menemukan kebijakan penggantian cache yang lebih efisien hanya dalam dua hari, padahal biasanya butuh berbulan-bulan upaya manusia. Sistem ini juga mengoptimasi Google Spanner, mengurangi amplifikasi penulisan sebesar 20 persen dan memberikan wawasan untuk pengurangan jejak penyimpanan perangkat lunak sebesar 9 persen.
Dampak Komersial Lewat Google Cloud
AlphaEvolve kini tersedia untuk pelanggan Google Cloud. Di Klarna, sistem ini melipatgandakan kecepatan pelatihan sekaligus meningkatkan kualitas model transformer besar. Di Substrate, perusahaan manufaktur semikonduktor, AlphaEvolve mencapai peningkatan kecepatan runtime berlipat ganda untuk litografi komputasional.
FM Logistic, perusahaan logistik asal Prancis, menggunakan AlphaEvolve untuk menemukan peningkatan efisiensi rute 10,4 persen, menghemat lebih dari 15.000 kilometer per tahun. Sementara itu, WPP mencapai peningkatan akurasi 10 persen dibanding optimasi manual untuk komponen model AI.
Di Schrödinger, perusahaan komputasi ilmiah, AlphaEvolve mencapai percepatan empat kali lipat untuk pelatihan dan inferensi Machine Learned Force Fields, memperpendek siklus penelitian dan pengembangan.
“Percepatan inferensi MLFF memiliki dampak bisnis nyata, memperpendek siklus R&D dalam penemuan obat, desain katalis, dan pengembangan material,” kata Gabriel Marques, Technical Lead di Schrödinger.
Masa Depan Algoritma yang Mengoptimasi Diri Sendiri
AlphaEvolve kini menjadi komponen inti infrastruktur Google, bukan sekadar alat eksperimen. Visi ke depannya adalah memperluas kemampuan sistem untuk menghadapi tantangan eksternal yang lebih luas, dengan prinsip bahwa terobosan berikutnya akan datang dari algoritma yang mampu mengoptimasi dirinya sendiri.
Bagi pengembang dan peneliti di Indonesia, kemunculan AlphaEvolve menandai era baru di mana agen AI tidak hanya menulis kode, tetapi juga menemukan solusi algoritmik yang belum pernah dipikirkan manusia sebelumnya.***
