Google DeepMind a récemment dévoilé AlphaEvolve, une nouvelle plateforme d’IA ultra-performante capable de résoudre des problèmes mathématiques complexes ainsi que d’autres défis scientifiques. Si les chatbots standards peuvent eux aussi développer des algorithmes, la nouvelle plateforme est plus polyvalente, en utilisant une approche évolutive afin d’en améliorer les performances et la précision dans divers cas d’utilisation.
Les découvertes scientifiques ou le développement de nouveaux algorithmes nécessitent de longs et complexes processus d’idéation, d’exploration, d’essais et de validation. Au cours des dernières années, les grands modèles linguistiques (LLM) ont contribué à accélérer considérablement ces processus. Cependant, malgré le développement de modèles toujours plus performants, les applications pratiques et la résolution de problèmes complexes demeurent encore limitées.
La plupart des applications scientifiques de l’IA, telles que l’outil de conception de protéines AlphaFold de Google DeepMind, s’appuient jusqu’ici sur des algorithmes spécifiquement conçus pour un seul domaine d’utilisation. Autrement dit, malgré leurs performances, les algorithmes actuels sont considérablement limités en matière de polyvalence.
AlphaEvolve est conçu pour surmonter cette limite, en générant notamment à lui seul des algorithmes permettant de résoudre des problèmes complexes dans un large éventail de domaines scientifiques. Selon Mario Krenn, directeur de l’Artificial Scientist Lab à l’Institut Max Planck pour la Science de la Lumière à Erlangen, en Allemagne, « AlphaEvolve est la première démonstration réussie de nouvelles découvertes basées sur des LLM à usage général. »
Un processus évolutif adapté à de nombreux domaines
AlphaEvolve s’appuie sur la gamme de LLM Gemini de Google DeepMind. Il s’agit essentiellement d’un agent IA dédié à la programmation, mais plus polyvalent qu’un chatbot standard basé sur Gemini. Il y a toujours un risque d’hallucination lors de l’utilisation de ce dernier, car il est susceptible d’inventer des détails en raison de sa nature probabiliste. En revanche, AlphaEvolve s’appuie sur un système d’autoévaluation pour augmenter la précision des algorithmes qu’il génère.
Chaque demande commence par la saisie d’une question, de critères d’évaluation et d’une suggestion de solution. Le modèle génère ensuite des centaines ou des milliers de modifications possibles grâce à Gemini Flash (qui se concentre sur l’efficacité) et Gemini Pro (qui se concentre sur la précision). Chaque proposition est analysée par un algorithme d’évaluation, comparant les modifications aux indicateurs de performance d’une solution pertinente (par exemple pour l’attribution des postes dans l’informatique ou pour la réduction du gaspillage de ressources).
Le LLM propose de nouvelles idées en fonction des options considérées comme optimales. Un procédé évolutif permet à l’outil de se concentrer sur les meilleures et de les améliorer en fonction des besoins de l’utilisateur. Il développe ainsi une gamme d’algorithmes plus performants au fil du temps, explique Matej Balog, scientifique en IA chez Google DeepMind et co-directeur de la recherche. « Nous explorons cet ensemble diversifié de solutions possibles », précise-t-il.
L’approche évolutive d’AlphaEvolve s’appuie sur le système FunSearch, un outil développé par l’entreprise pour rivaliser avec les humains dans la résolution de certains problèmes mathématiques. Toutefois, AlphaEvolve peut générer des programmes beaucoup plus volumineux et ne se cantonne pas aux mathématiques.
En outre, les systèmes génératifs sur lesquels repose la technologie sont basés sur des opérations de multiplication matricielle. Développée en 1969 par le mathématicien Volker Strassen, il s’agit de la méthode la plus efficace pour multiplier des matrices 4×4. Cela implique plus précisément la multiplication de nombres dans des grilles de dimension 4×4, une technique largement utilisée pour l’entraînement des réseaux neuronaux.
Cependant, AlphaEvolve a, selon Google DeepMind, développé une technique encore plus performante. Bien qu’à usage général, l’outil aurait surpassé AlphaTensor, un modèle spécialement développé par l’entreprise pour la mécanique matricielle. Il pourrait ainsi améliorer l’efficacité de l’IA générative, un aspect essentiel pour rentabiliser la technologie.
De meilleures capacités de calcul pour les centres de données
Les ingénieurs de Google DeepMind ont déployé AlphaEvolve au niveau de leur système de gestion de centres de données. L’IA a proposé des améliorations pour la conception de la prochaine génération d’unités de traitement tensorielles (TPU) spécialement conçues pour les tâches complexes en apprentissage automatique. Elle a également suggéré des modifications qui permettraient d’améliorer la capacité de calcul des centres de données et d’économiser 0,7 % de ressources totales à l’échelle mondiale – un avantage concurrentiel notable.
AlphaEvolve a également été testé sur une cinquantaine de problèmes mathématiques incluant des domaines tels que la géométrie combinatoire. Il est parvenu à « redécouvrir » les réponses les plus connues dans 75 % des cas et proposer des solutions améliorées dans 20 % des cas.
Toutefois, bien qu’il nécessite moins de ressources de calcul qu’AlphaTensor, il reste pour le moment beaucoup trop complexe pour une utilisation publique. Néanmoins, l’entreprise prévoit d’améliorer l’outil de sorte à le rendre encore plus polyvalent et plus flexible. Google prévoit un programme d’accès anticipé pour des universitaires, ainsi qu’une extension de capacité pour le traitement d’un large éventail de problèmes, y compris les sciences naturelles.