AlphaEvolve dari Google DeepMind Kini Tak Cuma Jago Matematika, Bidang Lain Juga Kena Dampaknya

CLB.my.id - Setahun lalu, AlphaEvolve dikenal sebagai agen coding bertenaga Gemini yang mampu memecahkan masalah matematika terbuka. Kini, Google DeepMind mengumumkan bahwa algoritma yang dihasilkan AlphaEvolve sudah merambah ke genomics, optimasi jaringan listrik, fisika kuantum, hingga desain chip TPU generasi berikutnya.

AlphaEvolve adalah sistem agen coding yang dikembangkan Google DeepMind untuk merancang algoritma canggih secara otomatis. Berbeda dari chatbot biasa, AlphaEvolve tidak sekadar menjawab pertanyaan. Ia mengeksplorasi ruang solusi yang sangat luas, menguji ribuan pendekatan, dan menemukan algoritma yang bahkan belum terpikirkan oleh peneliti manusia.

Dari Matematika ke Dunia Nyata

Awalnya, AlphaEvolve menarik perhatian dunia lewat kontribusinya pada masalah matematika klasik seperti Travelling Salesman Problem dan Ramsey Numbers. Ia juga berkolaborasi dengan matematikawan terkenal Terence Tao untuk menyelesaikan masalah Erdős.

Namun dampak terbesarnya kini justru terasa di bidang yang lebih aplikatif. Di bidang genomics, AlphaEvolve meningkatkan model DeepConsensus dari Google Research sehingga kesalahan deteksi variasi DNA turun 30 persen. Hasilnya, analisis genetik menjadi lebih akurat dan terjangkau, terutama untuk mitra seperti PacBio.

Di sektor energi, AlphaEvolve diterapkan pada masalah AC Optimal Power Flow. Kemampuan Graph Neural Network untuk menemukan solusi yang layak melonjak dari 14 persen menjadi lebih dari 88 persen. Artinya, optimasi jaringan listrik bisa dilakukan jauh lebih efisien dan mengurangi biaya pasca-pemrosesan yang mahal.

Simulasi Bencana dan Komputasi Kuantum

AlphaEvolve juga membantu meningkatkan akurasi prediksi risiko bencana alam. Model Earth AI yang dioptimasi oleh AlphaEvolve mencatat peningkatan akurasi 5 persen di 20 kategori bencana, mulai dari kebakaran hutan, banjir, hingga tornado.

Di ranah fisika kuantum, kontribusi AlphaEvolve bahkan lebih dramatis. Sistem ini menyarankan desain sirkuit kuantum dengan galat 10 kali lebih rendah dibanding baseline konvensional. Sirkuit tersebut kemudian digunakan pada prosesor kuantum Willow milik Google untuk simulasi molekuler kompleks dan demonstrasi eksperimental baru.

“Sistem seperti AlphaEvolve memberikan kemampuan baru yang sangat berguna bagi matematikawan,” ujar Terence Tao. “Untuk masalah optimasi khususnya, kita kini bisa dengan cepat menguji ketidaksetaraan potensial untuk menemukan kontracontoh, yang sangat meningkatkan intuisi kita tentang masalah ini.”

Mendesain Chip AI Sendiri

Mungkin kontribusi paling mengejutkan adalah peran AlphaEvolve dalam mendesain Tensor Processing Unit (TPU) generasi berikutnya. AlphaEvolve mengusulkan desain sirkuit yang kontra-intuitif namun efisien, yang kemudian diintegrasikan ke dalam silikon TPU generasi baru.

“AlphaEvolve mulai mengoptimasi lapisan paling rendah dari perangkat keras yang menjalankan tumpukan AI kami,” kata Jeff Dean, Chief Scientist di Google DeepMind. “Ini adalah contoh terbaru dari otak TPU yang membantu mendesain tubuh TPU generasi berikutnya.”

Selain desain chip, AlphaEvolve juga meningkatkan efisiensi Google Spanner dengan menyempurnakan compaction Log-Structured Merge-tree, mengurangi write amplification sebesar 20 persen. Algoritma cache replacement yang ditemukan AlphaEvolve dalam dua hari, padahal proses serupa biasanya memakan waktu berbulan-bulan.

Dampak Komersial Lewat Google Cloud

AlphaEvolve kini tersedia untuk pelanggan Google Cloud dan sudah menunjukkan hasil di berbagai industri. Klarna, perusahaan fintech asal Swedia, berhasil melatih model transformer dua kali lebih cepat sambil meningkatkan kualitasnya. Substrate, perusahaan manufaktur semikonduktor, mencatat peningkatan kecepatan berlipat ganda untuk litografi komputasional.

FM Logistic, perusahaan logistik asal Prancis, meningkatkan efisiensi rute 10,4 persen dibanding solusi yang sudah dioptimasi, menghemat lebih dari 15.000 kilometer per tahun. WPP, raksasa periklanan global, mencatat peningkatan akurasi 10 persen dibanding optimasi manual untuk data kampanye yang kompleks.

“AlphaEvolve memungkinkan kami menjelajahi ruang kimia yang lebih besar dengan lebih cepat dan efisien dari sebelumnya,” kata Gabriel Marques dari Schrödinger, perusahaan ilmu kehidupan. “Perusahaan kini bisa menyaring kandidat molekul dalam hitungan hari, bukan bulan.”

Masa Depan Algoritma yang Belajar Sendiri

Google DeepMind menyatakan AlphaEvolve berevolusi menjadi sistem general-purpose yang serbaguna. Tim pengembang berencana memperluas kemampuannya dan membawa teknologi ini ke tantangan eksternal yang lebih luas.

Pencapaian ini menandai pergeseran paradigma dalam pengembangan AI. Bukan lagi manusia yang mendesain algoritma untuk AI, melainkan AI yang mendesain algoritma untuk dirinya sendiri dan untuk dunia nyata. Era algoritma yang belajar, berevolusi, dan mengoptimasi diri sendiri tampaknya sudah dimulai.