Fa pocs dies, Google ha fet un anunci que pot passar desapercebut entre el soroll mediàtic, però que marcarà un abans i un després en la relació entre la intel·ligència artificial i la creació de coneixement. Es tracta d’AlphaEvolve, una nova generació d’agents autònoms capaços no només de solucionar problemes, sinó de generar nous coneixements, i fer-ho de manera sistemàtica, escalable i autònoma.

És cert que la presentació és preliminar, i que el sistema encara no és públicament accessible. Arriba just abans del Google I/O —l’esdeveniment anual més important de l’empresa— i en un context de pressió competitiva ferotge, tant per part de rivals nord-americans com xinesos. Però no és només màrqueting, és un senyal clar d’un canvi de paradigma.

De sintetitzar a crear

Fins fa ben poc, els grans models de llenguatge —com ChatGPT— destacaven per la seva capacitat de comprimir el coneixement adquirit durant l’entrenament. En feien una mena de “remix” intel·ligent, reformulant-lo i adaptant-lo a contextos nous. Però, tot i la seva versatilitat, no es podia dir que generessin coneixement nou en el sentit estricte, sinó que combinaven conceptes que ja sabien a diferents nivells d’abstracció segons el seu entrenament.

Per primera vegada, podem afirmar amb fonament que existeixen sistemes d’IA capaços de generar nou coneixement de manera autònoma

Aquesta situació ha començat a canviar amb l’aparició de models que no només generen text, sinó que “raonen”. Parlem de sistemes com o3-o4, DeepSeek o Manus, capaços de definir objectius, elaborar plans per assolir-los i iterar per millorar les seves pròpies propostes. Aquests agents no es limiten a respondre sinó que actuen, experimenten i refinen.

Tanmateix, fins ara la seva capacitat de generar nou coneixement era limitada i fràgil. Tot i que s’intuïa un potencial enorme, semblava prematur pensar que podrien substituir —o fins i tot complementar— investigadors humans en la tasca de descobriment científic. Això, però, és justament el que està començant a canviar.

El mètode científic, automatitzat

Però, i si poguéssim automatitzar el mètode científic? En el fons, aquest consisteix a formular hipòtesis, posar-les a prova i refutar-les o acceptar-les provisionalment. És una idea senzilla, però poderosa. I durant anys ha estat patrimoni exclusiu dels humans. Fins ara.

AlphaEvolve, desenvolupat sobre la base dels models Gemini, és el primer sistema generalista que comença a fer això de forma convincent. Formula propostes de solució per a un problema determinat, les verifica automàticament, i, amb les més prometedores, continua iterant i refinant-les, fins a arribar a una solució millor. I no només sobre el paper: ho ha fet amb èxit en aplicacions reals.

Resultats tangibles

Els primers resultats són espectaculars. AlphaEvolve ha millorat els algorismes de planificació de tasques dels centres de dades de Google (Borg) en un 0,7% —una xifra petita només en aparença, però que representa milions d’euros en eficiència. També ha participat en el disseny de nous xips, i fins i tot ha optimitzat components del model Gemini amb millores del 23%.

Però potser el més impressionant és que ha aconseguit optimitzar algorismes que es consideraven pràcticament immillorables, com el de multiplicació de matrius, reduint el nombre d’operacions necessàries. Pot semblar trivial, però en Deep Learning, multiplicar matrius és la base de tot. Millorar aquest procés vol dir fer la IA més ràpida, més barata i més accessible.

Limitacions i potencial

És cert que aquesta capacitat de generar nou coneixement encara té límits. AlphaEvolve només pot treballar amb problemes que es poden verificar automàticament. Per exemple, en matemàtiques o informàtica, i a on és fàcil comprovar si una solució és millor: fa menys operacions? Dona el mateix resultat? Però en altres àrees, com les ciències socials, on la validació és més subjectiva o lenta, el repte és encara majúscul.

Ara bé, això no treu valor al que s’ha aconseguit. Per primera vegada, podem afirmar amb fonament que existeixen sistemes d’IA capaços de generar nou coneixement de manera autònoma. I això obre una porta fascinant.

El gran repte de la innovació

Perquè hi hagi innovació, primer cal coneixement nou. Durant dècades hem sabut com aplicar el coneixement —innovar— però no sempre com generar-lo. La recerca ha estat lenta, cara, i reservada a equips humans altament especialitzats. Ara, amb la possibilitat d’automatitzar parts del procés, podríem començar a accelerar la taxa de descobriment científic. Cert és que el nou coneixement no crea valor, ni el captura per si mateix, és la innovació, la seva aplicació qui ho fa, però sense el nou coneixement, res és possible.

És en aquesta línia que s’inscriuen iniciatives anteriors de Google com FunSearch —centrat en matemàtiques— o AlphaFold, el revolucionari sistema capaç de predir l’estructura de proteïnes, accelerant enormement la recerca biomèdica, epecialment el disseny de fàrmacs. AlphaEvolve representa una generalització d’aquesta idea: sistemes capaços d’explorar, verificar i generar nou coneixement de manera iterativa i massiva.

Un nou horitzó

Ens trobem davant d’un moment històric. Si la IA pot crear coneixement en àrees verificables, i si això es pot fer a escala, amb la potència de càlcul creixent que tenim, és imaginable un futur on la ciència, l'enginyeria i pel tant la innovació avancin a una velocitat fins ara impensable perquè haurem resolt, almenys en part, el gran coll d’ampolla: crear nou coneixement i fer-ho en el moment en què es necessita més.

És, efectivament, un petit pas per a la IA. Però potser és —com deia Neil Armstrong— un gran salt per a la humanitat.