Imaginemos que tienes un grupo de niños en una plaza. Uno quiere aprender a hacer malabares. No sabe nada, ni por dónde empezar. Intenta lanzar tres pelotas, se le caen. Prueba otra vez, cambia una cosa, se le caen de nuevo. Mira a otro niño, copia, ensaya. Intenta, hasta que un día completa tres movimientos seguidos sin que se le caigan. Aprende. Pero no solo eso: imagina que ese niño también toma nota de todo lo que probó antes. Y cuando algo no funcionó, lo anota para no repetirlo. Y si algo funcionó más o menos, lo mejora. Eso es, en esencia, lo que hace AlphaEvolve: un sistema que prueba, aprende, anota, mejora, vuelve a intentar… pero en vez de malabares, trabaja con programas de computadora.

Una apuesta de Google

AlphaEvolve es un sistema creado por Google DeepMind. No es una máquina con brazos ni una computadora especial. Es un conjunto de programas que usa inteligencia artificial para resolver problemas complejos. Pero no cualquier problema: problemas que necesitan escribir código, programas nuevos, soluciones lógicas. Y lo hace sin ayuda humana en cada paso. Se le dice qué problema hay que resolver, cómo saber si una solución es buena o mala, y este comienza el trabajo. Imaginemos que quieres que alguien descubra una forma nueva y más rápida de armar un rompecabezas. Le das un rompecabezas, y un cronómetro. Cada vez que lo termina, anota cuánto tardó. Si lo arma más rápido que antes, guarda cómo lo hizo. Si lo arma más lento, lo descarta. Así funciona AlphaEvolve, pero en vez de rompecabezas, lo que arma es código para resolver problemas reales: desde multiplicaciones de matrices hasta cómo organizar los trabajos dentro de los servidores de Google.

Pero vamos un paso más atrás. Supongamos que quieres inventar una receta de cocina. Pruebas poner arroz con chocolate. Malísimo. Después, arroz con manteca y ajo. Mejor. Después, le sumas queso ¡Delicioso! ¿Qué hiciste? Probaste, anotaste, cambiaste. Eso es evolución. No es tan distinto de cómo las especies evolucionan: nacen variantes, las mejores sobreviven, las peores desaparecen. AlphaEvolve hace eso con programas de computadora. Le das una primera idea (aunque sea mala), y él empieza a probar variantes. Algunas son peores,  otras, mejores. Y así, poco a poco, mejora hasta encontrar soluciones sorprendentes, incluso superiores a las que conocía cualquier humano.

Superioridad humana

Pensemos en otro ejemplo. Tienes una caja llena de llaves, hay una cerradura y nadie sabe cuál llave la abre. Una persona prueba cada una hasta que, con suerte, encuentra la correcta. Pero otra persona anota: “esta llave no entra”, “esta gira pero no abre”, “esta entra hasta la mitad”. Y con eso empieza a fabricar llaves nuevas basadas en lo que aprendió. Una que entra y gira, pero no abre, tal vez necesita un diente más. Esa persona crea una llave nueva con ese diente extra. Y ¡funciona! Eso es lo que hace AlphaEvolve: prueba programas, ve cuáles “entran” (sirven), cuáles no, y con esa información inventa otros mejores.

Lo más impresionante es que no necesita que alguien lo guíe paso a paso. Solo necesita dos cosas: primero, un punto de partida, y segundo, una regla clara que diga si algo es mejor o peor. Por ejemplo, si le dices: “quiero un programa que haga una multiplicación más rápido”, y le das un cronómetro para medir el tiempo, este genera programas que hagan esa multiplicación, los cronometra, y guarda los que tardan menos. Así descubrió una nueva forma de multiplicar ciertos tipos de números que ni los matemáticos habían encontrado en 56 años. No porque “pensó mejor”, sino porque probó de muchas formas, y aprendió de cada intento.

¿Y cómo sabe qué probar? Bueno, ahí entra la parte de “inteligencia artificial”. Usa modelos muy avanzados, parecidos a los que escriben textos o responden preguntas, pero entrenados para escribir código. Es como si tuviera dentro suyo un ejército de programadores probando ideas sin parar, pero mucho más rápido. También usa “prompts”, que son como instrucciones que le dicen qué cambiar, qué mejorar, cómo hacerlo. Y esos prompts no los inventa una sola vez, sino que también los va ajustando. Si una forma de dar instrucciones funciona mejor, la usa más.

Múltiples respuestas

Otra idea clave: AlphaEvolve no trabaja con una sola respuesta. Tiene una “población” de respuestas. Como si fuera una granja de ideas. Algunas son pollitos débiles que no sirven. Otras crecen, se fortalecen, y ayudan a crear otras mejores. Mantiene siempre un equilibrio entre probar nuevas ideas y mejorar las que ya tiene. Así no se queda atrapado repitiendo siempre lo mismo. Un ejemplo más simple: imagina que quieres enseñar a una computadora a encontrar el mejor camino en un laberinto. Le das un mapa, y le dices cuánto tarda en salir. La primera vez, choca contra todas las paredes. La segunda, avanza un poco más. Después, aprende que girar a la izquierda es mejor que a la derecha. Prueba caminos nuevos. Y finalmente encuentra la salida en tiempo récord. Esa es la esencia de AlphaEvolve, pero llevado al nivel de resolver problemas que requieren escribir cientos de líneas de código, optimizar circuitos de chips, mejorar algoritmos de centros de datos, y más.

¿Y por qué esto importa? Porque hay muchos problemas en ciencia, tecnología y matemática donde encontrar una solución no es cuestión de leer un manual. Hay que probar, fallar, mejorar. AlphaEvolve acelera ese proceso. Puede trabajar día y noche, sin cansarse, haciendo millones de pruebas. Puede colaborar con humanos: los humanos definen el problema y las reglas, y AlphaEvolve hace el trabajo duro de probar y mejorar. Es como un científico incansable que nunca duerme y siempre está anotando todo.

Por ejemplo, Google lo usó para mejorar cómo asigna los trabajos dentro de sus centros de datos. Antes, algunos servidores quedaban pasivos porque no se asignaban bien los recursos. AlphaEvolve inventó una nueva forma de asignar esos trabajos, y recuperó un 0.7% de la capacidad total. Puede parecer poco, pero en el mundo de Google, eso equivale a miles de computadoras extra que no hay que comprar. También lo usaron para mejorar los programas que entrenan a otros modelos de inteligencia artificial, logrando que ese entrenamiento fuera más rápido. Incluso, AlphaEvolve fue capaz de mejorar partes de código que están dentro de los chips, algo que normalmente solo hacen ingenieros especialistas. Y también lo probaron en problemas matemáticos abiertos, donde encontró nuevas soluciones mejores que todas las conocidas hasta ahora.

Pero lo más impactante todavía está por venir. ¿Qué pasará en los próximos años? Imagina que necesitas crear un medicamento nuevo. Hoy, eso tarda años. Hay que probar moléculas, ver si funcionan, hacer ensayos. AlphaEvolve podría generar códigos que simulen millones de moléculas, seleccionar las más prometedoras, optimizar su diseño, y acelerar el desarrollo de nuevos tratamientos. O pensemos en la energía: ¿cómo diseñar turbinas más eficientes, paneles solares más productivos? Con AlphaEvolve generando y mejorando los diseños constantemente, los avances podrían multiplicarse.

Incluso veremos cómo ayuda a crear nuevos lenguajes de programación, nuevas arquitecturas de chips cuánticos, o a resolver problemas matemáticos que hace siglos que están abiertos. No porque sea un genio, sino porque tiene paciencia infinita, memoria perfecta y velocidad para probar lo que un humano jamás podría en una vida. AlphaEvolve es como un niño que aprende a andar en bicicleta sin rueditas. Se cae, se levanta, prueba de nuevo. Pero ese niño tiene memoria perfecta, nunca se frustra, y puede probar mil bicicletas por minuto. Así, no solo aprende a andar en bici. Inventa una nueva forma de pedalear. Y eso, para el mundo de la ciencia y la computación, es una revolución que recién comienza. Las cosas como son.