Imagine um sistema que recebe um problema de otimização, escreve código para resolvê-lo, testa milhões de variações e devolve uma solução que nenhum ser humano encontrou em décadas. Esse sistema existe, se chama AlphaEvolve, e o Google acaba de mostrar que ele está mudando a ciência, a engenharia e a infraestrutura de computação em escala global.

O que é o AlphaEvolve (e por que ele importa agora)

O AlphaEvolve é um agente de codificação criado pelo Google DeepMind que combina os modelos Gemini com uma abordagem evolucionária para descobrir algoritmos. A ideia é simples na teoria: em vez de um humano sentar e tentar otimizar um algoritmo manualmente, o AlphaEvolve gera código, testa contra métricas objetivas, seleciona as melhores soluções e evolui a partir delas — como uma seleção natural aplicada a software.

Lançado originalmente em maio de 2025, o sistema já completou um ano de operação. E os resultados que o Google publicou agora, em maio de 2026, mostram que o AlphaEvolve deixou de ser um experimento de laboratório para se tornar uma peça central da infraestrutura do Google — e está disponível para empresas no Google Cloud.

A arquitetura usa dois modelos Gemini em conjunto:

• Gemini Flash gera o volume — milhares de candidatos de solução em paralelo, maximizando a diversidade de ideias
• Gemini Pro entra com profundidade, analisando os candidatos mais promissores e sugerindo refinamentos sofisticados

Avaliadores automatizados verificam cada solução contra critérios objetivos. As melhores sobrevivem, combinam-se e evoluem. É programação genética turbinada por LLMs.

56 anos para quebrar: o caso Strassen

Em 1969, Volker Strassen publicou um algoritmo revolucionário para multiplicação de matrizes que reduziu a complexidade computacional de O(n³) para aproximadamente O(n^2.807). Durante 56 anos, ninguém conseguiu melhorar o caso específico de matrizes 4×4 com valores complexos — a multiplicação exigia 49 operações escalares, e o limite teórico de Strassen ficou intocado.

O AlphaEvolve encontrou um procedimento que faz a mesma operação com 48 multiplicações escalares. Uma melhoria? Sim. Parece pequena? Talvez. Mas quando você considera que multiplicação de matrizes é a operação fundamental por trás de praticamente toda a computação moderna — de redes neurais a simulações físicas, de computação gráfica a criptografia — uma redução de uma única operação escalar se propaga por trilhões de cálculos diários.

“Ferramentas como o AlphaEvolve estão dando aos matemáticos novas capacidades muito úteis. Para problemas de otimização em particular, agora podemos testar rapidamente potenciais desigualdades para contraexemplos… o que melhora enormemente nossa intuição.”

Terence Tao, Professor de Matemática da UCLA

Quando Terence Tao diz que algo melhora “enormemente” a intuição matemática, vale prestar atenção.

0.7% não parece muito — até você fazer as contas

Um dos números mais impressionantes do relatório do Google é discreto: o AlphaEvolve economiza, em média, 0.7% de todos os recursos computacionais do Google no mundo. Em produção há mais de um ano.

Para colocar em perspectiva: o Google opera milhões de servidores em dezenas de data centers globais. Estamos falando de uma empresa que gasta mais de $50 bilhões por ano em infraestrutura. Uma economia de 0.7% significa centenas de milhões de dólares economizados, centenas de megawatts de energia que não precisam ser consumidos, e milhares de servidores que não precisam ser comprados.

O sistema conseguiu isso otimizando o escalonamento de tarefas nos data centers. O AlphaEvolve descobriu em 2 dias uma política de cache que equipes de engenheiros levavam meses para desenvolver manualmente. E a solução da IA não era apenas mais rápida de encontrar — era objetivamente melhor.

O impacto no treinamento do Gemini

Aqui a coisa fica meta: o AlphaEvolve otimizou o próprio processo de treinamento do Gemini. Ao encontrar formas mais eficientes de dividir operações de multiplicação de matrizes grandes em subproblemas menores, o sistema acelerou um kernel crítico da arquitetura do Gemini em 23%.

O resultado prático? Uma redução de 1% no tempo total de treinamento do Gemini. Pode parecer pouco, mas treinar um modelo como o Gemini custa dezenas de milhões de dólares. 1% de economia aqui são centenas de milhares de dólares por ciclo de treinamento.

Além disso, o AlphaEvolve conseguiu um speedup de 32.5% no kernel FlashAttention — o mecanismo de atenção que é o coração dos Transformers modernos. Isso não beneficia só o Google. Qualquer empresa que treina modelos grandes com FlashAttention pode se beneficiar dessas otimizações.

Do DNA aos desastres naturais: impacto em 6 áreas

O que diferencia o AlphaEvolve de outros agentes de IA é a amplitude. Não é uma ferramenta para um domínio — é um otimizador universal que funciona em qualquer problema expressável em código com métricas mensuráveis. Eu já vi muita ferramenta prometer versatilidade e entregar mediocridade. O AlphaEvolve tem os números para provar que funciona.

DNA e sequenciamento genômico

O AlphaEvolve melhorou o modelo DeepConsensus de sequenciamento de DNA, alcançando uma redução de 30% nos erros de detecção de variantes. Na prática, isso significa diagnósticos genéticos mais precisos e pesquisas biomédicas com menos ruído nos dados. Se você trabalha com bioinformática, esse número é enorme.

Redes elétricas

Para o problema de AC Optimal Power Flow — a otimização que decide como distribuir energia em uma rede elétrica — o AlphaEvolve saltou de uma taxa de soluções viáveis de 14% para 88%. Redes elétricas mais inteligentes significam menos desperdício de energia e menor risco de apagões.

Previsão de desastres naturais

Uma melhoria de 5% na precisão de previsão de risco para 20 categorias de desastres naturais. Cinco por cento pode ser a diferença entre evacuar uma cidade a tempo ou não. É o tipo de otimização que literalmente salva vidas.

Computação quântica

No processador quântico Willow do Google, o AlphaEvolve propôs circuitos quânticos com taxas de erro 10 vezes menores que os baselines otimizados convencionalmente. Isso torna possível rodar simulações moleculares complexas que antes eram inviáveis, abrindo portas para descobertas em química e farmacologia.

Banco de dados

O Google Spanner — um dos bancos de dados distribuídos mais sofisticados do mundo — ganhou uma redução de 20% em write amplification graças ao AlphaEvolve. Menos write amplification significa SSDs que duram mais, menos consumo de I/O e custos operacionais mais baixos.

Compiladores

O sistema encontrou otimizações que reduziram o footprint de armazenamento de software em 9% via otimização de compilador. São 9% menos bytes em disco para cada binário compilado — multiplicado por milhões de builds, é um ganho massivo.

Empresas que já estão usando (e os resultados)

O AlphaEvolve não é mais só uma ferramenta interna do Google. Através do Google Cloud, empresas de diversos setores já estão aplicando o sistema com resultados concretos:

O caso da Klarna é particularmente interessante. Dobrar a velocidade de treinamento de um modelo transformer não é uma otimização trivial — é o tipo de ganho que normalmente exige meses de trabalho de engenheiros especializados em MLOps. O AlphaEvolve fez isso de forma automatizada.

A FM Logistic economizou mais de 15.000 quilômetros por ano em rotas. Para uma empresa de logística, quilômetros economizados são diretamente dinheiro economizado em combustível, manutenção e tempo.

Como funciona por baixo dos panos

O pipeline do AlphaEvolve segue um ciclo evolucionário bem definido:

1. Definição do problema: o usuário especifica o problema em código, incluindo uma função de avaliação objetiva
2. Geração de candidatos: Gemini Flash gera milhares de variantes de solução
3. Avaliação: cada candidato é testado automaticamente contra as métricas definidas
4. Seleção: as melhores soluções sobrevivem
5. Evolução: Gemini Pro analisa os top performers e sugere mutações inteligentes
6. Iteração: o ciclo se repete até convergir em uma solução ótima (ou quase ótima)

A beleza do sistema está na separação entre criatividade e verificação. O LLM pode “alucinar” soluções malucas — e isso é uma feature, não um bug. Soluções criativas que passam no avaliador objetivo são genuinamente boas. As que não passam são descartadas sem consequências.

É por isso que o AlphaEvolve encontra soluções que humanos não encontram: ele não tem os vieses cognitivos que nos fazem descartar ideias “estranhas” antes de testá-las. Ele testa tudo, sem preconceito.

# Exemplo simplificado do ciclo evolucionário
def alphaevolve_cycle(problem, evaluator, generations=1000):
    # Gera população inicial com Gemini Flash
    population = gemini_flash.generate(problem, n=1000)

    for gen in range(generations):
        # Avalia cada candidato
        scores = [evaluator(candidate) for candidate in population]

        # Seleciona os melhores
        top_k = select_best(population, scores, k=50)

        # Gemini Pro sugere mutações inteligentes
        mutations = gemini_pro.refine(top_k, problem)

        # Nova geração
        population = top_k + mutations + gemini_flash.generate(problem, n=500)

    return select_best(population, scores, k=1)[0]

Quem compete com isso?

O AlphaEvolve não tem competidor direto óbvio. Existem agentes de codificação como Claude Code, Cursor e GitHub Copilot, mas eles são ferramentas de assistência ao programador. O AlphaEvolve é fundamentalmente diferente: é um sistema de descoberta algorítmica autônoma.

O mais próximo talvez seja o OpenEvolve, uma implementação open source inspirada no AlphaEvolve, disponível no Hugging Face. Mas a distância entre uma reimplementação comunitária e o sistema original do Google — rodando em TPUs com acesso aos melhores modelos Gemini — é enorme.

A vantagem competitiva do Google aqui é estrutural: eles têm os modelos (Gemini), o hardware (TPUs), a infraestrutura (Google Cloud) e os problemas reais (bilhões de operações por segundo em seus próprios sistemas) para treinar e validar o AlphaEvolve. É um ciclo virtuoso difícil de replicar.

Erdős, Ramsey e o Caixeiro Viajante: a IA na fronteira da matemática

Paul Erdős foi um dos matemáticos mais prolíficos da história, e deixou centenas de problemas abertos como legado para a comunidade. O AlphaEvolve ajudou a resolver alguns deles — problemas que desafiaram os melhores matemáticos do mundo por décadas.

Isso levanta uma questão que eu acho fascinante: se uma IA resolve um teorema, o crédito é de quem? Do sistema? Dos engenheiros que o construíram? Do matemático que formulou o problema? A resposta pragmática, por enquanto, é que não importa tanto — o que importa é que problemas anteriormente intratáveis estão sendo resolvidos.

O AlphaEvolve também melhorou limites inferiores para o Problema do Caixeiro Viajante e avançou em soluções para Números de Ramsey. Esses não são problemas acadêmicos obscuros — o Caixeiro Viajante tem aplicações diretas em logística, roteamento de redes e design de circuitos. Se o AlphaEvolve consegue apertar esses limites teóricos, as otimizações práticas que derivam deles ficam automaticamente melhores.

O que muda para quem escreve código

Se você é desenvolvedor, o AlphaEvolve provavelmente não vai substituir seu trabalho amanhã. Mas ele sinaliza uma tendência que vale internalizar: a otimização algorítmica está se tornando automatizada.

Hoje, quando você precisa otimizar um algoritmo crítico, contrata um especialista ou gasta semanas fazendo profiling e reescrevendo código. No futuro próximo — e “próximo” aqui quer dizer “já está acontecendo” — você pode alimentar um sistema como o AlphaEvolve com seu código e sua função de benchmark, e deixar a máquina encontrar otimizações que você jamais encontraria manualmente.

O AlphaEvolve Service API já está disponível em acesso antecipado no Google Cloud. Se sua empresa tem problemas de otimização computacional — seja em machine learning, logística, engenharia, ou qualquer domínio onde performance importa — vale ficar de olho.

A pergunta não é mais se IAs conseguem resolver problemas algorítmicos complexos. A pergunta é quantos recordes vão cair nos próximos 12 meses — e se a gente vai estar assistindo, ou participando.

Fonte de inspiração: AlphaEvolve: Gemini-powered coding agent scaling impact across fields — Google DeepMind