אלפא-אבולב (AlphaEvolve)

מה זה AlphaEvolve

AlphaEvolve היא מערכת של Google DeepMind שהוכרזה ב-14 במאי 2025. החברה מגדירה אותה כ-"evolutionary coding agent" — סוכן תכנות אבולוציוני — שנועד לגלות ולשפר אלגוריתמים. סוכני תכנות כמו Claude Code או OpenCode מבצעים משימות שהמשתמש מגדיר בפרויקט שלו. AlphaEvolve מתמקד במשהו צר יותר: חיפוש אבולוציוני אחר אלגוריתם שמשפר מדד מוגדר מראש. הוא מקבל קוד התחלתי ודרך למדוד כמה הקוד טוב, ומנסה שוב ושוב לשפר את התוצאה.

הרעיון המרכזי הוא לחבר בין שני דברים. מצד אחד מודלי השפה של גוגל, Gemini, שיכולים להציע רעיונות יצירתיים לשינוי קוד. מצד שני, מערכת בדיקה אוטומטית שמריצה כל הצעה ונותנת לה ציון אובייקטיבי. מודל שפה לבדו עלול להמציא פתרון שנשמע טוב אבל לא עובד; כאן כל רעיון נמדד לפני שהוא נשמר. לכן, לפי DeepMind, המערכת מתאימה במיוחד לתחומים שבהם אפשר למדוד התקדמות בצורה ברורה ושיטתית, כמו מתמטיקה ומדעי המחשב, ולכל בעיה שהפתרון שלה הוא אלגוריתם שאפשר לבדוק אוטומטית.

איך זה עובד: מציעים, מודדים, בוררים

התהליך בנוי כמו אבולוציה, בדומה לאלגוריתם אבולוציוני קלאסי, אבל עם מודל שפה בתפקיד שמייצר את השינויים. מנגנון אחד מרכיב הנחיה למודלי השפה, ובה בין השאר תוכניות טובות שנמצאו קודם. המודלים מציעים גרסאות חדשות של הקוד. בוחנים אוטומטיים מריצים כל גרסה, מאמתים אותה ונותנים לה ציון. התוכניות נשמרות במאגר, ומאגר זה מפעיל אלגוריתם אבולוציוני שמחליט אילו תוכניות ישמשו בסבב הבא. לפי המאמר הטכני, המאגר מאזן בין שימוש בפתרונות הטובים ביותר שנמצאו לבין שמירה על מגוון וחקירה של כיוונים חדשים; לא כל גרסה חדשה טובה מקודמתה, אבל לאורך החיפוש הפתרון הטוב ביותר משתפר.

בצד המודלים, DeepMind משלבת שני סוגים של Gemini. המודל המהיר, Gemini Flash, נועד להגדיל את מגוון הרעיונות שנבדקים, והמודל החזק, Gemini Pro, מספק עומק והצעות מעמיקות יותר. DeepMind מכנה את השילוב הזה "an ensemble of state-of-the-art large language models" — אנסמבל של מודלים, כלומר כמה מודלים שעובדים יחד. בדוגמה שפרסמה החברה, הגילוי של אלגוריתם חדש לכפל מטריצות דרש שינויים בכמה רכיבים של הקוד בבת אחת, ו-15 "מוטציות" לאורך התהליך האבולוציוני. היתרון שהחברה מדגישה הוא שהתוצאה היא קוד שבני אדם יכולים לקרוא: אפשר להבין אותו, לבדוק אותו ולתקן אותו, ולא רק לסמוך על קופסה שחורה.

מ-FunSearch ל-AlphaEvolve

AlphaEvolve לא נולד יש מאין. בדצמבר 2023 הציגה DeepMind, במאמר בכתב העת Nature, שיטה בשם FunSearch. היא חיברה מודל שפה, PaLM 2, לבוחן אוטומטי ש"שומר" מפני הזיות ורעיונות שגויים, וחיפשה פונקציות קצרות בקוד. לפי DeepMind, זו הייתה הפעם הראשונה שמודל שפה תרם לתגלית חדשה בבעיה פתוחה במתמטיקה: FunSearch מצא פתרונות חדשים לבעיית ה-cap set, בשיתוף עם המתמטיקאי ג'ורדן אלנברג, וגם אלגוריתמים יעילים יותר לבעיית אריזה בתאים (bin packing).

לפי הודעת ההשקה של AlphaEvolve, ההבדל המרכזי הוא בהיקף: AlphaEvolve יכול "evolve entire codebases" — לפתח בסיסי קוד שלמים, ולא רק פונקציה בודדת — ולכן לבנות אלגוריתמים מורכבים בהרבה. במאמר הטכני, שפורסם ב-arXiv ביוני 2025, החוקרים מציגים אותו כהרחבה משמעותית של היקף שיטות הגילוי האוטומטיות שקדמו לו.

תוצאות בתשתית של גוגל

לפי DeepMind, אלגוריתמים ש-AlphaEvolve גילה הופעלו לאורך השנה שלפני ההכרזה במערכות של גוגל עצמה. הדוגמה הבולטת היא כלל הכרעה פשוט שעוזר ל-Borg, המערכת שמנהלת את מרכזי הנתונים של גוגל, לשבץ משימות. לפי החברה, הפתרון פעל בייצור יותר משנה ו"מחזיר" בממוצע 0.7% ממשאבי המחשוב העולמיים של גוגל — כלומר באותה חומרה אפשר להריץ יותר עבודה.

AlphaEvolve הציע גם שינוי בתכנון של מעגל חישובי בשבב TPU, שבב ה-AI של גוגל: הסרת ביטים מיותרים במעגל לכפל מטריצות, אחרי בדיקה שהמעגל עדיין עובד נכון. לפי DeepMind, השינוי שולב בשבב TPU עתידי. באימון המודלים, הוא מצא דרך טובה יותר לפרק פעולת כפל מטריצות גדולה, והאיץ ב-23% רכיב חישובי מרכזי בארכיטקטורה של Gemini, מה שלפי החברה קיצר ב-1% את זמן האימון. מכיוון שהמודלים האלה הם גם המודלים ש-AlphaEvolve עצמו נשען עליהם, נוצרה כאן לולאה קטנה שבה מערכת עוזרת לשפר את התשתית שמריצה אותה. בנוסף, לפי DeepMind, הוא השיג האצה של עד 32.5% במימוש של FlashAttention, רכיב מרכזי במודלי טרנספורמר. כל המספרים האלה מגיעים מגוגל עצמה.

מתמטיקה: כפל מטריצות ובעיית הנשיקה

בכפל מטריצות, AlphaEvolve מצא דרך לכפול שתי מטריצות בגודל 4 על 4 עם מספרים מרוכבים באמצעות 48 פעולות כפל, ושיפר בכך את האלגוריתם של שטראסן מ-1969. השיפור נוגע לסוג מסוים של אלגוריתמים — כאלה שאפשר להפעיל שוב ושוב גם על מטריצות גדולות יותר; לפי הערה במאמר, קיימים אלגוריתמים עם פחות מ-49 פעולות כפל, אבל הם אינם מהסוג הזה. החוקרים כתבו שזה "the first improvement, after 56 years, over Strassen's algorithm in this setting".

כדי לבדוק כמה הכלי רחב, DeepMind הפעילה אותו על יותר מ-50 בעיות פתוחות באנליזה, בגאומטריה, בקומבינטוריקה ובתורת המספרים. לפי החברה, ולמיטב ידיעת החוקרים, בכ-75% מהמקרים הוא הגיע מחדש לפתרונות הטובים ביותר הידועים, ובכ-20% שיפר אותם. אחת הדוגמאות היא "בעיית הנשיקה" (kissing number): כמה כדורים אפשר להצמיד לכדור מרכזי כך שכולם נוגעים בו בלי לחפוף זה לזה. במימד 11 מצא AlphaEvolve סידור של 593 כדורים, וקבע חסם תחתון חדש.

בנובמבר 2025 פרסמו ארבעה חוקרים, בהם המתמטיקאי טרנס טאו, מאמר שבחן את AlphaEvolve על רשימה של 67 בעיות, לפי תקציר המאמר. לפי Quanta Magazine, ב-23 מהן AlphaEvolve שיפר במעט את הפתרונות הידועים, ב-36 השתווה אליהם, ובקומץ הנותרות לא הגיע אליהם. לפי התקציר, ובחלק מהמקרים הצליחה להפוך תוצאה על כמה ערכים לנוסחה כללית. החוקרים שילבו אותה גם עם מערכות ההסקה וההוכחה Deep Think ו-AlphaProof, כדי להפיק הוכחות אוטומטיות.

ביקורת ומגבלות

כדאי לקרוא את ההישגים של AlphaEvolve בהקשר. רוב המספרים מגיעים מגוגל עצמה. החיסכון הכולל שגוגל מדווחת עליו בחלק מהמערכות קטן — 0.7% ממשאבי המחשוב, 1% מזמן האימון — לצד שיפורים גדולים יותר ברכיבים מסוימים. ביוני 2025 דיווחה חברת FICO, שמפתחת תוכנת אופטימיזציה מסחרית מתחרה, שהכלי שלה, Xpress, מצא פתרונות טובים עוד יותר מאלה של AlphaEvolve בכמה מהבעיות שהוצגו, ביניהן בעיה של אריזת עיגולים. כלומר, בחלק מהבעיות כלים מתמטיים "רגילים", בלי מודל שפה, מסוגלים להתחרות בו.

מגבלה מהותית יותר נובעת מהמבנה עצמו: AlphaEvolve צריך בוחן אוטומטי. הוא מצליח כשאפשר להגדיר מראש ציון ברור — מהירות, מספר פעולות, גודל של חסם — ולא מתאים לבעיות שבהן קשה למדוד מהי תוצאה טובה. גם הבחירה איזו בעיה לפתור ואיך למדוד הצלחה נשארת בידי בני אדם. טרנס טאו תיאר את מודלי ה-AI של היום, לפי Quanta Magazine, כ-"very good at scouring big lists of problems for low-hanging fruit" — טובים מאוד בסריקת רשימות ארוכות של בעיות ובמציאת אלה שקל יחסית להתקדם בהן. הוא גם הזהיר שמדובר ב-"scattered successes among a big sea of unreported failures" — הצלחות מפוזרות בתוך ים של כישלונות שלא מדווחים עליהם. ובדיון על שיפור עצמי של AI, AlphaEvolve משמש דוגמה חשובה דווקא משום שהוא מראה גם את הגבול: מערכת ששיפרה את אימון המודלים שעליהם היא נשענת, אבל באחוז אחד.

מכלי מחקר למוצר בענן

ב-7 במאי 2026 פרסמה DeepMind סיכום שבו כתבה ש-AlphaEvolve "graduated from pilot testing to becoming a core component of our infrastructure" — עבר מניסוי לרכיב מרכזי בתשתית של גוגל. בין הדוגמאות: שיפור של מודל לתיקון שגיאות בריצוף DNA, שהפחית ב-30% שגיאות בזיהוי וריאנטים; מעגלים קוונטיים לסימולציות מולקולריות על המעבד הקוונטי Willow, עם שגיאה נמוכה פי 10 לפי החברה בהשוואה לקווי בסיס קודמים שעברו אופטימיזציה בשיטות רגילות; ומדיניות חדשה לניהול זיכרון מטמון, שנמצאה ביומיים במקום מאמץ אנושי של חודשים. במסד הנתונים Spanner של גוגל, שיפור בכללי הדחיסה הפחית ב-20% את כמות הכתיבה העודפת לאחסון. ג'ף דין, המדען הראשי של Google DeepMind ו-Google Research, אמר שהמערכת הציעה תכנון מעגל "so counterintuitive yet efficient" — לא אינטואיטיבי עד כדי כך ועדיין יעיל — עד שהוא שולב ישירות בשבבי ה-TPU של הדור הבא. גוגל דיווחה גם על תוצאות אצל לקוחות. אצל FM Logistic, למשל, נמצא שיפור של 10.4% ביעילות המסלולים לעומת פתרון קודם שכבר עבר אופטימיזציה רבה, חיסכון של יותר מ-15 אלף קילומטרים בשנה; אצל Klarna הוכפלה מהירות האימון של אחד ממודלי הטרנספורמר הגדולים שלה; ואצל Schrödinger, שמפתחת תוכנה לכימיה חישובית, הושגה האצה של בערך פי 4 באימון ובהרצה של מודלים לחישוב כוחות בין אטומים.

בדצמבר 2025 נפתחה גישה מוקדמת ומוגבלת (private preview) ללקוחות Google Cloud, וב-9 ביולי 2026 הודיעה גוגל ש-AlphaEvolve זמין לכל לקוחות Google Cloud. לפי ההודעה, הלקוח נותן אלגוריתם בסיסי ויעדים, והמערכת מחפשת פתרונות טובים יותר ומחזירה קוד קריא ומשופר. במקביל קמו גם חיקויים בקוד פתוח, כמו OpenEvolve, שמתאר את עצמו כמימוש פתוח של AlphaEvolve ושהמאגר שלו נפתח ב-GitHub במאי 2025, לפי נתוני המאגר. נכון לאוקטובר 2026, גוגל מציעה את AlphaEvolve עצמו כשירות בענן שלה.