«AlphaEvolve kan endre måten vi angriper komplekst ytelsesarbeid på. Ingeniørene eier fortsatt benchmarken, gjennomgangen og beslutningen om å slippe. Det er søkerommet som krymper.» — Dmitrii Batkovich, ingeniørdirektør i JetBrains
Sitatet står i Google Clouds kunngjøring, der AlphaEvolve går fra lukket forhåndsvisning til allment tilgjengelig. Agenten bygger på Gemini og leter etter bedre implementasjoner av en algoritme du allerede har. Du leverer en start-algoritme og en scoringsfunksjon som rangerer kandidatene på korrekthet, ytelse og de begrensningene som gjelder hos deg. Deretter genererer og tester den varianter i sløyfe.
Kundetallene Google trekker fram er store, og de kommer fra kundene selv. Klarna oppgir at systemet utforsket nesten 6 000 kandidatprogrammer over tre uker og doblet gjennomstrømningen i en av selskapets største treningssløyfer. PacBio melder om 30 prosent færre variantfeil i DNA-sekvensering. Ingen av tallene er uavhengig verifisert, og alle er hentet fra en lansering Google selv har regi på.
Mekanismen betyr noe for alle som skriver ytelseskritisk kode, ikke bare for Google Cloud-kunder. AlphaEvolve løser ikke oppgaven med å vite hva som er bra. Den krever at du kan måle det. Har du en scoringsfunksjon som er billig å kjøre og vanskelig å jukse med, blir søk i programrommet plutselig et reelt alternativ til å tune for hånd. Mangler du den, hjelper ingen agent deg.
Hva bør du gjøre?
- Skriv scoringsfunksjonen først, og sjekk at den straffer feilene du faktisk bryr deg om. Den er hele forutsetningen.
- Pek agenten mot kode der søkerommet er stort og korrektheten er lett å verifisere, som GPU-kjerner, ruteplanlegging og prognosepipelines.