در نقطه‌ای که شاید روزی به‌عنوان لحظه‌ای سرنوشت‌ساز در تاریخ هوش مصنوعی شناخته شود، دیپ‌مایند از «AlphaEvolve» رونمایی کرده است؛ عاملی هوشمند که نه‌فقط برای تولید کد، بلکه برای تکامل دادن آن طراحی شده است. پشت این نام ساده، رویکردی ریشه‌ای و نوآورانه نهفته است: ترکیب الگوریتم‌های تکاملی، مدل‌های زبانی بزرگ و تولید خودکار کد در قالب یک چرخه بسته برای کشف الگوریتم‌های جدید. آن‌گونه که بسیاری از صاحب‌نظران این حوزه می‌گویند، ما به آستانه‌ی چرخه‌ای خودتقویت‌شونده نزدیک شده‌ایم؛ چرخه‌ای که در آن، هوش مصنوعی خود را بهتر و سریع‌تر طراحی می‌کند.
دگرگونی در ساخت کد
الگوریتم‌های تکاملی که بر اساس اصول زیست‌شناختی برای بهینه‌سازی طراحی شده‌اند، سال‌هاست که شناخته شده‌اند. اما AlphaEvolve این مفهوم را وارد مرحله‌ای تازه می‌کند. برخلاف سیستم‌های هوش مصنوعی سنتی که برای وظایفی خاص مهندسی می‌شوند، AlphaEvolve به‌عنوان یک عامل کدنویسِ عمومی عمل می‌کند. این سامانه، الگوریتم‌ها را به‌صورت تکرارشونده تولید، ارزیابی و بهبود می‌بخشد؛ فرایندی که کاملاً هدایت‌شده و مبتنی بر اصول تکاملی است. نکته‌ی مهم آن‌جاست که AlphaEvolve فقط در اصلاح کدهای موجود نمی‌ماند، بلکه در چندین مورد، راه‌حل‌هایی کاملاً نو برای مسائل کهنه‌ی ریاضی و محاسباتی یافته است.
در ساختار مرکزی خود، AlphaEvolve بر پایه‌ی الگویی با حضور انسان طراحی شده است. مهندسان، تابع ارزیابی و مشخصات مسئله را تعریف می‌کنند و در صورت نیاز، نمونه‌کدی اولیه یا راه‌حل‌های پیشنهادی ارائه می‌دهند. سپس سامانه وارد چرخه‌ای تکاملی می‌شود: کد را جهش می‌دهد، عملکرد هر نسخه را می‌سنجد و بهترین نسخه‌ها را در پایگاه کد خود ثبت می‌کند. این چرخه، در گذر زمان، با کم‌ترین دخالت انسانی، به الگوریتم‌هایی بهینه یا بدیع منتهی می‌شود.
پیشرفت‌های فنی چشم‌گیر
یکی از برجسته‌ترین دستاوردهای AlphaEvolve در حوزه‌ی ضرب ماتریس‌هاست؛ عملیاتی بنیادی که تقریباً در همه‌ی سامانه‌های هوش مصنوعی امروز کاربرد دارد. الگوریتم «استراسن» که در سال ۱۹۶۹ معرفی شد، رکورد ضرب ماتریس‌های ۴×۴ را با ۴۹ ضرب حفظ کرده بود؛ رکوردی که طی ۵۶ سال، پژوهشگران نتوانسته بودند آن را بهبود دهند — تا اکنون. AlphaEvolve روشی جدید یافته است که تنها به ۴۸ ضرب نیاز دارد؛ دستاوردی که مرزهای شناخته‌شده‌ی این حوزه را جابه‌جا کرده است.
این پیشرفت، صرفاً جنبه‌ی تئوریک ندارد. مدل‌هایی مانند Gemini، GPT و Claude به‌شدت به ضرب ماتریس‌ها وابسته‌اند. حتی بهبود ۱٪ در این عملیات، منجر به کاهش قابل‌توجهی در زمان آموزش و مصرف منابع محاسباتی می‌شود. به گفته‌ی دیپ‌مایند، تکنیک tiling (چیدمان ماتریسی) که AlphaEvolve کشف کرده، در تولید مورد استفاده قرار گرفته و زمان آموزش Gemini را حدود ۱٪ کاهش داده است.
اما توانایی‌های AlphaEvolve محدود به ریاضیات نیست. تأثیر آن را می‌توان در زیرساخت‌های کلیدی گوگل نیز مشاهده کرد:
- بهینه‌سازی مراکز داده: با حل مسئله‌ی زمان‌بندی شغل‌ها در سیستم Borg، الگوریتمی جدید ارائه داد که بازیابی حدود ۰٫۷٪ از منابع محاسباتی کل سامانه را ممکن کرد — این بهبود پس از پیاده‌سازی، تأیید شده است.
- طراحی مدار TPU: با اصلاح زبان توصیف سخت‌افزاری Verilog، عملیات زائد در واحدهای پردازش تنسور را حذف کرد و موجب بهبود کارایی انرژی و کاهش نرخ خطا در واحدهای محاسباتی حساس شد.
- افزایش سرعت هسته‌های محاسباتی AI: برخی از هسته‌های کلیدی در چرخه‌ی آموزش Gemini را تا ۲۳٪ سریع‌تر کرد که اثر چشم‌گیری در توان عملیاتی داشته است.
این‌ها صرفاً معیارهای آزمایشگاهی نیستند؛ بلکه پیاده‌سازی‌های واقعی در سطح تولید هستند که زیرساخت‌های حیاتی گوگل را بهبود داده‌اند.
گامی به‌سوی «بهبود بازگشتی»؟
شاید مهم‌ترین و البته بحث‌برانگیزترین پیامد AlphaEvolve، توان بالقوه‌ی آن برای آغاز بهبود بازگشتی باشد — فرایندی که در آن، هوش مصنوعی بتواند خود را به‌صورت مستقل ارتقا دهد. هرچند دیپ‌مایند هنوز AlphaEvolve را وارد چرخه‌ای کاملاً بسته نکرده است تا مستقیماً به مدل‌های پایه مانند Gemini بازخورد دهد، اما مسیر آن دیگر صرفاً فرضی نیست.
به گفته‌ی یکی از نویسندگان مقاله، AlphaEvolve صرفاً ابزاری برای خودکارسازی نیست، بلکه سامانه‌ای است که به‌طور معنادار به مدل خدمتی‌اش قدرت می‌بخشد. با تکرار کافی، ممکن است این سامانه از یک دستیار به معمار آینده‌ی هوش مصنوعی بدل شود. چنین مسیری، پرسش‌هایی اساسی درباره‌ی سرعت پیشرفت و چیستی پژوهش در حوزه‌ی هوش مصنوعی مطرح می‌کند. آیا عاملی که موجب شتاب در توسعه‌ی AI است، می‌تواند کل چرخه را به‌تنهایی خودکار کند؟
دمیس هسابیس، مدیرعامل دیپ‌مایند، پیش‌تر گفته بود: «حل مسئله‌ی هوش، گام نخست است؛ گام دوم، استفاده از آن برای حل باقی مسائل است — از اکتشافات علمی تا درمان بیماری‌ها». با AlphaEvolve، گام نخست به تحقق نزدیک‌تر از همیشه شده است.
هم‌زیستی انسان و هوش مصنوعی، یا جدایی؟
با وجود قابلیت‌های مستقل، قدرت اصلی AlphaEvolve شاید در هم‌زیستی با انسان باشد، نه جدایی از او. پژوهشگران دیپ‌مایند بر ظرفیت همکاری انسان و این سامانه تأکید می‌کنند؛ اینکه AlphaEvolve می‌تواند به‌عنوان «هم‌بال پژوهشی» در کنار دانشمندان عمل کند، نه جایگزین آنان. گوگل چشم‌اندازی را ترسیم می‌کند که در آن، دانشمندان و ماشین‌ها در کنار هم کار می‌کنند، و شهود و خلاقیت یکدیگر را تقویت می‌کنند.
این نگاه، بازتابی از ویژگی خاص نثر علمی فارسی است: امیدواری محتاطانه، همراه با احترام عمیق به بصیرت انسانی. هدف، خودکارسازی به‌خاطر خودکارسازی نیست؛ بلکه ارتقای هم‌افزایانه‌ی اندیشه و الگوریتم است. این هیجان، نه از تخیل، بلکه از نتایج مستند و قابل سنجش برمی‌خیزد.
جمع‌بندی
AlphaEvolve نه یک محصول، بلکه دریچه‌ای است به شیوه‌ای نو در روش علمی. سامانه‌ای که صرفاً تقلیدگر فکر انسان نیست، بلکه آن را به شیوه‌هایی پیش‌بینی‌ناپذیر گسترش می‌دهد و شتاب می‌بخشد. شاید امروز تأثیرش در عددهایی چون ۱٪ و ۰٫۷٪ نمایان باشد؛ اما در جهانی که با شتابی نمایی رشد می‌کند، این درصدها یادداشت حاشیه‌ای نیستند — آن‌ها نشانه‌های شتاب‌گیری‌اند.
چه رخ خواهد داد وقتی هوش مصنوعی شروع کند به ارتقای خود — نه در حد فرضیه، بلکه در عمل؟ اگر چرخه‌ی پژوهش به‌جای سال‌ها، در ماه‌ها خلاصه شود چه؟ AlphaEvolve شاید هنوز به نقطه‌ی تکینگی نرسیده باشد، اما بی‌تردید یک نقطه‌ی عطف است. با هر تکرار جدید، این سامانه نه‌فقط کدها را تکامل می‌دهد — بلکه آینده‌ی هوش را نیز شکل می‌دهد.
همان‌گونه که دکتر کارولی زُلنای-فهِر گفته:
«بیایید همه‌چیز را آلفا کنیم» — و به‌راستی، شاید همین‌گونه باشد.
