AlphaEvolve Gemini Kini Tak Cuma Matematika, Tapi Juga Bisnis dan Sains Nyata

CLB.my.id - Setahun lalu, Google DeepMind memperkenalkan AlphaEvolve, agen coding bertenaga Gemini yang dirancang untuk menemukan algoritma canggih secara otomatis. Saat itu, kemampuannya sudah mengesankan karena berhasil memecahkan masalah terbuka di matematika dan ilmu komputer. Kini, satu tahun kemudian, AlphaEvolve sudah berevolusi jauh melampaui akademisi dan mulai memberikan dampak nyata di bidang kesehatan, keberlanjutan, infrastruktur, hingga perdagangan.

Perubahan ini bukan sekadar upgrade fitur biasa. AlphaEvolve bertransformasi dari alat penelitian menjadi mesin serbaguna yang mampu menemukan algoritma optimal untuk berbagai masalah dunia nyata, mulai dari koreksi sekuens DNA hingga optimasi rute logistik.

Perbaikan Genomika dan Prediksi Bencana

Di bidang genomics, AlphaEvolve membantu meningkatkan model DeepConsensus dari Google Research yang digunakan untuk koreksi kesalahan sekuensing DNA. Hasilnya, tingkat kesalahan deteksi varian berkurang 30 persen untuk perangkat PacBio, memungkinkan analisis data genetik yang jauh lebih akurat.

“Solusi ini membuka tingkat akurasi yang secara bermakna lebih tinggi untuk instrumen sekuensing kami,” ujar Aaron Wenger dari PacBio.

Dalam hal optimasi jaringan listrik, AlphaEvolve memecahkan masalah AC Optimal Power Flow dan meningkatkan tingkat solusi yang layak dari Graph Neural Network dari 14 persen menjadi 88 persen. Pencapaian ini secara signifikan mengurangi biaya pasca-pemrosesan untuk jaringan listrik.

Untuk ilmu kebumian, AlphaEvolve mengoptimalkan model Earth AI untuk data geospasial dan meningkatkan akurasi prediksi risiko bencana alam di 20 kategori sebesar 5 persen. Angka yang terdengar kecil ini bisa berarti ribuan nyawa terselamatkan ketika diterapkan pada sistem peringatan dini bencana.

Terobosan di Fisika Kuantum dan Matematika

Kolaborasi paling mengejutkan mungkin adalah dengan Terence Tao, salah satu matematikawan terbesar di dunia, untuk masalah Erdos. AlphaEvolve membantu meningkatkan batas bawah untuk Masalah Penjual Keliling (Traveling Salesman Problem) dan Bilangan Ramsey.

“Alat seperti AlphaEvolve memberikan kemampuan baru yang sangat berguna bagi para matematikawan,” kata Terence Tao dari UCLA. “Alat ini memungkinkan kami menemukan bukti yang ketat dengan lebih mudah.”

Di bidang fisika kuantum, AlphaEvolve mengoptimalkan sirkuit untuk prosesor kuantum Willow dari Google dan mencapai kesalahan 10 kali lebih rendah dibandingkan baseline konvensional. Pencapaian ini memungkinkan demonstrasi komputasi kuantum eksperimental pertama sejenisnya.

Mengoptimalkan Infrastruktur Google dari Dalam

AlphaEvolve bukan hanya alat penelitian, tetapi sudah menjadi bagian integral dari operasi Google. Untuk desain TPU (Tensor Processing Unit) generasi berikutnya, agen ini menjadi alat rutin yang mengusulkan desain sirkuit kontra-intuitif yang kemudian diintegrasikan ke dalam silikon.

“Ini adalah contoh terbaru dari otak TPU yang membantu merancang tubuh TPU generasi berikutnya,” kata Jeff Dean dari Google DeepMind.

Untuk Google Spanner, AlphaEvolve menyempurnakan heuristik kompaksi Log-Structured Merge-tree dan berhasil mengurangi amplifikasi tulis sebesar 20 persen serta jejak penyimpanan sebesar 9 persen melalui strategi optimasi kompiler baru.

Yang paling mengesankan mungkin adalah kebijakan cache. AlphaEvolve menemukan kebijakan penggantian cache yang lebih efisien dalam dua hari, sesuatu yang sebelumnya membutuhkan upaya manusia selama berbulan-bulan.

Dampak Komersial di Google Cloud

Melalui Google Cloud, AlphaEvolve sudah mulai memberikan hasil nyata bagi pelanggan. Klarna, perusahaan fintech asal Swedia, berhasil melatih model transformer dua kali lebih cepat sambil meningkatkan kualitasnya. Substrate, perusahaan manufaktur semikonduktor, mencapai percepatan waktu eksekusi simulasi litografi komputasi beberapa kali lipat.

FM Logistic, perusahaan logistik Prancis, menemukan peningkatan efisiensi routing 10,4 persen untuk varian Traveling Salesman Problem yang menghemat lebih dari 15.000 kilometer per tahun. WPP, raksasa periklanan global, mencapai peningkatan akurasi 10 persen dibandingkan optimasi model manual.

Schrödinger, perusahaan ilmu komputasi, melaporkan percepatan sekitar 4 kali untuk pelatihan dan inferensi Machine Learned Force Fields. “Inferensi MLFF yang lebih cepat membawa dampak bisnis yang nyata, memungkinkan perusahaan menyaring kandidat molekuler dalam hitungan hari alih-alih bulan,” kata Gabriel Marques dari Schrodinger.

Relevansi untuk Ekosistem Teknologi Indonesia

Perkembangan AlphaEvolve membuka peluang menarik bagi ekosistem teknologi Indonesia. Kemampuannya mengoptimalkan masalah logistik sangat relevan bagi negara kepulauan dengan tantangan distribusi yang kompleks. Startup logistik dan e-commerce lokal bisa memanfaatkan algoritma serupa yang tersedia melalui Google Cloud untuk mengoptimalkan rantai pasok mereka.

Bagi komunitas riset dan pengembangan AI di Indonesia, AlphaEvolve menunjukkan bahwa agen coding berbasis LLM bukan hanya tentang menulis kode, tetapi tentang menemukan solusi algoritmik yang belum pernah ditemukan manusia sebelumnya. Ini adalah lompatan paradigma dari coding assistant menjadi scientific discovery agent.

Google DeepMind berencana memperluas kemampuan AlphaEvolve untuk menangani tantangan dunia nyata yang lebih luas lagi. Era algoritma yang mengoptimalkan dirinya sendiri sudah tiba, dan dampaknya akan terasa dari laboratorium penelitian hingga gudang logistik di seluruh dunia.***