Google Just Introduced NEW FORM of Intelligence (Evolving Nonstop)

Abstract

Google’s new AI system, AlphaEvolve, is evolving its own algorithms, outperforming human-written code, and optimizing everything from data centers to chip design. It combines Gemini language models with automated evaluators to create, test, and refine thousands of solutions at lightning speed. AlphaEvolve has already broken decades-old math records, improved TPU hardware, and is reshaping the future of AI programming and algorithm discovery.

Get the best AI news without the noise 👉 https://airevolutionx.beehiiv.com/

AlphaEvolve Paper: https://shorturl.at/3rCkx

🔍 What’s Inside:

• Google DeepMind launches AlphaEvolve, an AI system that evolves its own algorithms
• Combines Gemini Flash and Gemini Pro to generate, test, and improve code at scale
• Already optimizing TPUs, data centers, and LLM training pipelines

🎥 What You’ll See:

• How AlphaEvolve rewrote a decades-old math record using 16,000 algorithm variations
• Why engineers trust it to upgrade both hardware and software systems
• The hidden power behind Google’s smartest, most autonomous AI yet

📊 Why It Matters:

AlphaEvolve marks a turning point in AI development—where machines now build smarter machines, reshape infrastructure, and discover code beyond human limits.

Google AlphaEvolve

구글의 Alpha Evolve 시스템은 알고리즘 자체를 진화시키는 새로운 형태의 인공지능 시스템입니다. 이 시스템은 Gemini 언어 모델과 진화 시스템을 결합하여 작동하며, 인간이 작성한 것보다 성능이 뛰어난 완전히 새로운 알고리즘을 발명합니다.

작동 방식:

• 시스템은 주로 Google의 Gemini 언어 모델 두 가지 버전인 Gemini Flash와 Gemini Pro를 중심으로 구축됩니다.
• Gemini Flash는 빠르고 가벼워서 대규모로 수천 개의 코드 스니펫을 빠르게 생성하는 데 사용됩니다. 이는 새로운 문제를 해결할 때 첫 번째 공격 라인입니다.
• Gemini Pro는 더 무겁고 느리지만, 더 복잡한 논리를 이해하는 데 훨씬 뛰어납니다.
• 일반적으로, Alpha Evolve는 문제에 대한 설명이나 해결 방법에 대한 힌트가 포함된 프롬프트(prompt)로 시작합니다.
• 이 프롬프트를 Gemini Flash로 보내면, Flash는 수백 또는 수천 개의 작은 프로그램이나 알고리즘 변형을 생성합니다. 때로는 단일 문제에 대해 최대 16,000개의 후보를 생성하기도 합니다.
• 이 각 후보는 자동 평가기(automated evaluators)라는 맞춤형 자동 시스템에 의해 평가됩니다. 평가기는 실행 시간, 메모리 사용량, 정확성, 문제 해결 여부 등을 확인하고 각 프로그램에 점수를 매깁니다.
• 최고 성능을 보인 후보들(예: 상위 1%)은 다음 세대의 “부모”로 사용됩니다.
• 이 “부모”들은 시스템에 다시 입력되고, Gemini Flash는 이를 기반으로 새로운 변형을 구축합니다. 새로운 코드가 생성, 테스트, 점수 매기기, 그리고 진화되는 루프가 계속해서 실행됩니다. 이는 코드에 대한 자연 선택과 같습니다.
• 결과가 정체되기 시작하면, Alpha Evolve는 이전 라운드의 오래된 후보를 투입하여 막다른 길에 갇히는 것을 방지하는 백업 계획을 가지고 있습니다.
• Flash가 아이디어가 고갈되면, Gemini Pro가 개입하여 Flash가 놓칠 수 있는 완전히 새로운 전략을 추가합니다. Pro가 유망한 것을 생성하면 주기는 다시 계속됩니다.
• 이 전체 프로세스는 한 번의 실행으로 수십 또는 수백 세대를 거칠 수 있습니다. 자동 평가기 덕분에 성능 벤치마크, 에너지 사용량, 계산 속도, 수학적 정확도와 같이 피드백이 즉각적이고 측정 가능한 문제를 처리할 수 있습니다.
• 이 시스템은 빠른 작동을 위해 설계되었으며, 전문가 엔지니어가 몇 주 걸리던 작업을 며칠 만에 자동화된 반복으로 처리할 수 있습니다. 인간과 달리 Alpha Evolve는 지치지 않고 수천 가지 변형을 탐색할 수 있습니다.
• 이 모든 과정은 자동 평가를 통한 폐쇄형 피드백 루프 안에서 이루어지며, 시스템은 각 결과를 즉시 확인할 수 있어야 합니다.

할 수 있는 것 (능력 및 성과):

• 인간보다 뛰어난 새로운 알고리즘 발명: 기존 인간 솔루션보다 더 나은 성능을 보이는 알고리즘을 발견합니다.
• Google 컴퓨팅 리소스 절감: 이미 Google 인프라 전반에 배포되어 있으며, Borg와 같은 데이터 센터 스케줄링 플랫폼에서 단 하나의 알고리즘만으로 전역 컴퓨팅 리소스의 평균 0.7%를 복구했습니다. 이는 Google 규모에서 수백만 달러에 해당하는 막대한 효율성 이득입니다.
• 복잡한 전체 프로그램 진화: 짧은 코드 스니펫이나 작은 기능 수정 수준을 넘어, 수백 줄의 코드로 구성된 복잡한 전체 프로그램을 진화시킵니다.
• Gemini 학습 커널 최적화: Gemini 모델 학습에 사용되는 핵심 커널(행렬 곱셈 연산)을 최적화하여 해당 연산 속도를 23% 향상시키고 전체 학습 시간을 1% 단축했습니다. 이는 거대한 모델 학습에 있어 상당한 시간, 비용, 에너지 절감 효과를 가져옵니다.
• 하드웨어 수준 설계 변경 제안: Google의 맞춤형 TPU(Tensor Processing Units)에 사용되는 산술 회로의 더 나은 구성을 찾아냈습니다. 이미 고도로 최적화된 하드웨어 설계에서 불필요한 부분을 제거하는 변경 사항을 Verilog 언어로 제안했으며, 이 변경은 검증을 통과하고 엔지니어 승인을 받아 향후 TPU 설계에 포함되었습니다. AI와 인간 엔지니어가 동일한 기술 수준에서 협력하는 새로운 시대를 열었습니다.
• 50년 이상 된 수학적 기록 경신: 1969년부터 50년 이상 깨지지 않았던 4x4 행렬 곱셈에 대한 수학적 기록을 깼습니다. Vulkar Strassen의 기존 알고리즘은 49개의 스칼라 곱셈을 사용했지만, Alpha Evolve는 48개의 스칼라 곱셈만으로 이를 수행하는 새로운 방법을 찾아냈습니다. 행렬 곱셈은 컴퓨터 그래픽부터 머신러닝까지 모든 것의 기본 연산이며, 하루에 수조 번 수행되므로 작은 개선도 광범위한 영향을 미칩니다.
• 다양한 문제 일반화 및 해결: 특정 문제 유형에 국한되지 않고, 코드로 설명되고 자동으로 평가될 수 있는 문제라면 어떤 문제든 해결을 시도할 수 있도록 일반화되었습니다.
• 다양한 수학 문제 해결 능력: 정수론부터 기하학, 푸리에 해석까지 50개 이상의 다양한 수학 문제에 대해 테스트되었으며, 알려진 최고의 인간 솔루션과 약 75%의 일치율을 보였습니다. 약 20%의 문제에서는 기존 솔루션을 개선했습니다.
• 키싱 넘버 문제 개선: 뉴턴 시대까지 거슬러 올라가는 고대 기하학 문제인 키싱 넘버 문제(중심 구체를 겹치지 않고 동시에 접촉할 수 있는 구체의 최대 개수)에서 11차원 문제에 대해 이전 기록인 592를 넘어 593이라는 새로운 구성을 찾아냈습니다.
• 깨끗하고 해석 가능한 코드 생성: 난해하거나 읽기 어려운 코드를 내놓는 대신, 발견한 알고리즘은 깨끗하고 해석 가능하며 디버그 또는 배포하기 쉽습니다. 엔지니어가 AI 결과와 쉽게 작업할 수 있도록 합니다.
• 미래 응용 분야 확장 계획: 데이터 센터, 칩 설계, LLM 학습 분야 외에도 재료 과학, 지속 가능성, 신약 개발과 같이 알고리즘 복잡성과 측정 가능한 결과가 관련된 분야로 확장될 예정입니다.

한계점:

• 결과를 실험 결과 해석이나 창의적 글쓰기와 같이 주관적으로 판단해야 하는 문제에는 사용할 수 없습니다. 솔루션 점수 매기기가 자동으로 이루어질 수 있는 문제가 필요합니다.
• 획기적인 결과를 도출하지만, 해결 방법의 ‘이유’에 대한 이론적 통찰을 항상 제공하지는 않습니다. 솔루션의 근본 원리를 깊이 이해하려 한다면 여전히 어려움이 있을 수 있습니다.

요약하자면, Alpha Evolve는 Gemini 기반의 진화 시스템과 자동 평가기를 통해 알고리즘을 스스로 생성, 테스트, 개선하여 인간 수준을 뛰어넘는 성능을 달성하는 혁신적인 AI 시스템입니다.

구성 요소

구글의 Alpha Evolve 시스템의 주요 구성 요소는 소스에 따르면 다음과 같습니다:

1. 구글의 Gemini 언어 모델 (Google’s Gemini Language Models)
   • Alpha Evolve 시스템은 Google의 Gemini 언어 모델을 중심으로 구축됩니다.
   • 주로 Gemini Flash와 Gemini Pro 두 가지 버전이 사용됩니다.
   • Gemini Flash는 빠르고 가벼워서 대규모로 수천 개의 코드 스니펫을 빠르게 생성하는 데 사용됩니다. 이는 새로운 문제 해결의 첫 번째 단계입니다.
   • Gemini Pro는 더 무겁고 느리지만, 더 복잡한 논리를 이해하는 능력이 훨씬 뛰어납니다. Flash가 아이디어가 고갈되었을 때 개입하여 Flash가 놓칠 수 있는 완전히 새로운 전략을 추가합니다.
2. 진화 시스템 (Evolutionary System)
   • Alpha Evolve는 Gemini 언어 모델과 진화 시스템을 결합합니다.
   • 이는 솔루션을 제안하기 위해 대규모 언어 모델(LLM)의 창의적인 강점을 사용하고, 이 솔루션들을 자동 평가기를 통해 실행하여 적합성 생존(survival of the fittest)과 유사한 방식으로 알고리즘을 발전시킵니다.
   • 시스템은 최상의 성능을 보인 후보(예: 상위 1%)를 다음 세대의 “부모(parents)”로 사용합니다.
   • 이 “부모”들은 시스템에 다시 입력되고, Gemini Flash는 이를 기반으로 새로운 변형(variation)을 구축합니다. 새로운 코드가 생성, 테스트, 점수 매기기 및 진화되는 루프가 계속해서 실행됩니다. 이는 코드에 대한 자연 선택과 같습니다.
   • 결과가 정체되기 시작하면, 이전 라운드의 오래된 후보를 다시 투입하여 막다른 길에 갇히는 것을 방지하는 백업 계획도 가지고 있습니다.
3. 자동 평가기 (Automated Evaluators)
   • Alpha Evolve는 솔루션의 작동 여부를 확인하기 위해 인간의 검토에 의존하지 않습니다.
   • 맞춤형 자동 시스템인 일련의 자동 평가기를 사용합니다.
   • 평가기는 실행 시간, 메모리 사용량, 정확성 및 문제 해결 여부와 같은 요소를 확인하고 각 프로그램에 점수를 매깁니다.
   • 이 자동 평가기 덕분에 피드백이 즉각적이고 측정 가능한 문제 (예: 성능 벤치마크, 에너지 사용량, 계산 속도, 수학적 정확도)를 처리할 수 있습니다.

이 외에도 시스템은 프롬프트(prompt)로 시작하는데, 이 프롬프트에는 문제에 대한 설명이나 해결 방법에 대한 힌트가 포함될 수 있습니다. 이 전체 과정은 자동 평가를 통한 폐쇄형 피드백 루프(closed feedback loop) 안에서 이루어지며, 시스템은 각 결과를 즉시 확인할 수 있어야 합니다.

요약하자면, Alpha Evolve의 핵심은 Gemini 언어 모델의 코드 생성 능력, 이를 발전시키는 진화 시스템, 그리고 결과의 성능을 객관적으로 측정하는 자동 평가기가 결합된 것입니다.

Google의 Alpha Evolve 시스템은 알고리즘 자체를 진화시키는 새로운 형태의 인공지능 시스템으로, 다양한 분야에서 활용되고 있습니다. 소스에 따르면 Alpha Evolve가 사용되는 주요 분야와 그 능력은 다음과 같습니다.

• Google 컴퓨팅 리소스 최적화: Alpha Evolve는 이미 Google의 인프라 전반에 배포되어 사용 중입니다. Google의 대규모 데이터 센터 스케줄링 플랫폼인 Borg와 같은 시스템에 포함된 Alpha Evolve 알고리즘 하나만으로도 Google의 전역 컴퓨팅 리소스를 평균 0.7% 절감하고 있습니다. Google 규모에서 이는 수백만 달러에 달하는 막대한 효율성 이득입니다.
• AI 학습 시스템 최적화: Gemini 모델 학습에 사용되는 핵심 커널, 특히 행렬 곱셈 연산을 최적화했습니다. 이 최적화만으로 해당 연산 속도가 23% 향상되었고, 전체 학습 시간은 1% 단축되었습니다. 방대한 모델을 장기간 학습하는 데 있어 이는 상당한 시간, 비용 및 에너지 절감 효과를 가져옵니다. AI가 AI를 학습시키는 시스템을 최적화한 사례입니다.
• 하드웨어 설계 개선 제안: Google의 맞춤형 텐서 처리 장치(TPU)에 사용되는 산술 회로 구성을 개선하는 데 사용되었습니다. 이미 고도로 최적화된 하드웨어 설계에서 불필요한 부분을 제거하는 변경 사항을 Verilog 언어로 제안했으며, 이는 검증을 통과하고 엔지니어 승인을 받아 향후 TPU 설계에 포함되었습니다. AI가 하드웨어 수준의 코드를 제안하고 인간 엔지니어와 같은 기술 수준에서 협력하는 새로운 시대가 열렸습니다.
• 수학적 문제 해결 및 기록 경신:
  • 4x4 행렬 곱셈에서 50년 이상 깨지지 않았던 수학적 기록을 경신했습니다. 기존 Strassen의 알고리즘은 49개의 스칼라 곱셈을 사용했지만, Alpha Evolve는 이를 48개의 스칼라 곱셈만으로 수행하는 새로운 방법을 발견했습니다. 행렬 곱셈은 컴퓨터 그래픽부터 머신러닝까지 기본 연산이며 하루에 수조 번 수행되므로 작은 개선도 광범위한 영향을 미칩니다.
  • 50개 이상의 다양한 수학 문제에 대해 테스트되었습니다. 정수론, 기하학, 푸리에 해석 등 다양한 분야의 문제를 해결했으며, 알려진 최고의 인간 솔루션과 약 75% 일치했고, 약 20%의 문제에서는 기존 솔루션을 개선했습니다.
  • 키싱 넘버 문제(Kissing number problem)와 같은 고대 기하학 문제에서도 성과를 냈습니다. 11차원 문제에서 이전 기록인 592를 넘어 593이라는 새로운 구성을 찾아냈습니다.
• 일반적인 알고리즘 발견: 특정 문제 유형에 국한되지 않고, 코드로 설명되고 자동으로 평가될 수 있는 문제라면 어떤 문제든 해결을 시도할 수 있도록 일반화되었습니다. 이는 Alpha Evolve의 핵심 능력 중 하나입니다.

Alpha Evolve는 자동 평가를 통한 폐쇄형 피드백 루프 안에서 작동하며, 결과를 즉시 확인하고 측정할 수 있는 문제(예: 성능 벤치마크, 에너지 사용량, 계산 속도, 수학적 정확도)에서 매우 효과적입니다. 이 시스템은 전문가 엔지니어가 몇 주 걸릴 작업을 자동화된 반복을 통해 며칠 만에 처리할 수 있도록 설계되었습니다.

Google은 데이터 센터, 칩 설계, LLM 학습 분야 외에도 Alpha Evolve를 재료 과학, 지속 가능성, 신약 개발과 같이 알고리즘 복잡성과 측정 가능한 결과가 관련된 다른 분야로도 확장할 계획이라고 밝혔습니다.

다만, 실험 결과 해석이나 창의적 글쓰기와 같이 결과를 주관적으로 판단해야 하는 문제에는 사용할 수 없다는 한계가 있습니다. 또한, 때로는 해결 방법의 ‘이유’에 대한 이론적 통찰을 항상 제공하지는 않을 수 있습니다.

Gemini Language Model

Alpha Evolve는 Google의 Gemini 언어 모델을 사용하여 알고리즘을 진화시킵니다.

구체적으로, Alpha Evolve 시스템은 주로 Google의 Gemini 모델 두 가지 버전으로 구성됩니다:

1. Gemini Flash: 이 모델은 빠르고 가벼워서 새로운 문제를 해결하기 위한 첫 단계로 대규모 아이디어 생성에 사용됩니다. 수천 개의 코드 스니펫이나 알고리즘 변형을 빠르게 생성하는 데 뛰어나며, 때로는 단일 문제를 위해 최대 16,000개의 후보를 생성하기도 합니다.
2. Gemini Pro: 이 모델은 Gemini Flash보다 무겁고 느리지만, 더 깊은 논리적 이해와 복잡한 추론 능력이 뛰어납니다. Gemini Flash가 새로운 아이디어를 생성하는 데 어려움을 겪거나 막다른 길에 다다랐을 때 개입하여, Flash가 놓칠 수 있는 완전히 새로운 전략이나 복잡한 로직을 추가하는 데 사용됩니다. Gemini Pro는 플래시가 아이디어가 고갈되었을 때 스페셜리스트처럼 드물게 사용됩니다.

시스템은 일반적으로 프롬프트로 시작하여 Gemini Flash가 수백 또는 수천 개의 프로그램을 생성하고, 이 후보들은 자동 평가기를 통해 평가됩니다. 평가를 통과한 최상위 후보들은 다음 세대의 “부모”가 되어 시스템에 다시 입력되고, Gemini Flash는 이를 기반으로 새로운 변형을 만듭니다. 결과가 정체될 때 Gemini Pro가 개입하여 새로운 전략을 도입할 수 있습니다.

요약하자면, Alpha Evolve는 빠르고 대량의 후보를 생성하는 Gemini Flash와 더 깊고 복잡한 추론으로 새로운 전략을 제시하는 Gemini Pro를 조합하여 알고리즘을 발견하고 진화시키는 시스템입니다. Alpha Evolve는 “Gemini 기반 AI 코딩 에이전트”로도 설명됩니다.

Limitations and Future Work

Google의 Alpha Evolve 시스템은 매우 강력한 능력을 가지고 있지만 몇 가지 한계 또한 가지고 있습니다. 주요 한계는 다음과 같습니다.

• 주관적인 판단이 필요한 문제에는 사용할 수 없습니다. Alpha Evolve는 결과가 주관적으로 평가되어야 하는 문제에는 적용할 수 없습니다. 예를 들어, 연구실 실험 결과를 해석하거나 창의적인 글쓰기 작업과 같이 명확하고 객관적인 평가 기준이 없는 작업에는 적합하지 않습니다.
• 솔루션이 자동으로 평가될 수 있어야 합니다. Alpha Evolve는 솔루션이 자동으로 채점될 수 있는 문제를 필요로 합니다. 즉, 시스템은 제안된 알고리즘의 작동 여부나 성능을 인간의 검토 없이 자체적으로 확인할 수 있어야 합니다.
• 피드백이 즉각적이고 측정 가능해야 합니다. 이 시스템은 피드백이 즉각적이고 측정 가능한 문제에서 매우 효과적입니다. 예를 들어 성능 벤치마크, 에너지 사용량, 계산 속도, 수학적 정확도와 같은 문제는 결과가 수치나 객관적인 기준으로 명확히 나타나므로 Alpha Evolve가 잘 작동합니다. 이는 시스템이 각 결과를 즉시 확인하고 자동 평가를 통한 폐쇄형 피드백 루프 안에서 작동하기 때문입니다.
• 발견된 솔루션의 이론적 통찰(“이유”)을 항상 제공하지는 않습니다. Alpha Evolve는 획기적인 결과를 도출할 수 있지만, 때로는 왜 그 솔루션이 효과적인지, 즉 그 알고리즘이 작동하는 근본적인 이론적 이유에 대한 깊이 있는 통찰을 제공하지는 않습니다. 따라서 솔루션의 ‘이유’를 깊이 이해하고자 할 때는 한계가 있을 수 있습니다.

이러한 한계 때문에 Alpha Evolve는 데이터 센터 효율성 최적화, AI 모델 학습 커널 최적화, 하드웨어 설계 개선, 수학적 문제 해결 등과 같이 결과가 명확하게 측정 가능하고 객관적인 문제에 강점을 보입니다.