Por décadas, a criação de algoritmos foi território exclusivamente humano — um processo que exigia anos de formação matemática, centenas de tentativas e um misto de intuição com rigor formal. O Google DeepMind acaba de mudar esse pressuposto com o AlphaEvolve, um agente de IA capaz de descobrir e otimizar algoritmos de forma autônoma. O resultado vai além do simbólico: o sistema já está economizando, concretamente, recursos computacionais em escala global nos próprios data centers do Google.
O que é o AlphaEvolve e como ele funciona
O AlphaEvolve é um agente evolutivo de código alimentado por modelos de linguagem de grande escala, especificamente o Gemini. Sua função é descobrir e aprimorar algoritmos para problemas complexos, combinando a capacidade criativa de modelos generativos com avaliadores automatizados que verificam e pontuam cada solução proposta.
O processo funciona em ciclos: o sistema gera variações de algoritmos, avalia seus resultados com base em critérios mensuráveis, seleciona as mais promissoras e evolui a partir delas — um processo inspirado na seleção natural, mas executado em velocidade de máquina. Não se trata de um sistema que “aprende” passivamente; ele ativamente propõe, testa e refina soluções matemáticas em espaços de busca que seriam humanamente intratáveis.
A quebra histórica: o algoritmo que ninguém havia conseguido superar desde 1969
O resultado mais emblemático do AlphaEvolve foi superar o algoritmo de Strassen, publicado em 1969, para multiplicação de matrizes 4×4. Até o surgimento do AlphaEvolve, nenhum avanço havia sido registrado neste problema específico em mais de 50 anos de pesquisa matemática global.
O agente encontrou uma forma de multiplicar duas matrizes 4×4 de valores complexos utilizando 48 multiplicações escalares em vez de 49 — uma redução aparentemente modesta, mas com implicações profundas. Multiplicação de matrizes é uma das operações fundamentais da computação moderna: está na base do treinamento de redes neurais, da computação gráfica, da criptografia e de praticamente todos os sistemas de IA. Melhorar essa operação, mesmo que em uma fração, tem efeito composto em escala massiva.
Resultados concretos: 0,7% dos recursos computacionais globais do Google
O AlphaEvolve não ficou restrito ao laboratório. Nos últimos meses, algoritmos descobertos pelo sistema foram implantados nos sistemas de produção do Google, incluindo o gerenciamento de data centers e o design de chips TPU — os processadores especializados que o Google usa para treinar seus próprios modelos de IA.
O impacto medido: o sistema recupera, em média, 0,7% dos recursos computacionais mundiais do Google. Em uma infraestrutura que consome bilhões de dólares por ano, esse percentual se traduz em economias reais de dezenas de milhões de dólares anuais. É o primeiro caso documentado de uma IA melhorando, de forma autônoma e verificável, a eficiência da própria infraestrutura que a suporta.
Por que isso importa além do Google
O AlphaEvolve representa uma inflexão qualitativa no uso da IA para pesquisa científica e engenharia. Até agora, os modelos de linguagem eram ferramentas de assistência — ajudavam humanos a codificar, documentar, revisar. O AlphaEvolve é diferente: ele descobre soluções que humanos não haviam encontrado.
As implicações se estendem para além da computação. O DeepMind declarou que o sistema pode ser aplicado a qualquer problema que possa ser formulado como uma função objetivo mensurável — o que inclui design de fármacos, otimização logística, engenharia de materiais e descoberta científica em geral. O Google está desenvolvendo uma interface de usuário e planeja lançar um Programa de Acesso Antecipado para pesquisadores acadêmicos selecionados.
Para empresas brasileiras que investem em P&D, operações e eficiência computacional, o AlphaEvolve aponta para um futuro próximo onde a otimização de processos complexos deixa de depender exclusivamente de equipes humanas especializadas — e passa a ser acelerada por agentes autônomos que operam em escala e velocidade incompatíveis com o ritmo humano.
O que vem a seguir
O DeepMind está expandindo o escopo do AlphaEvolve para novos domínios e preparando acesso externo para pesquisadores. O passo seguinte natural é a aplicação em problemas de otimização empresarial: cadeias de suprimento, alocação de recursos, modelos financeiros. Quando isso acontecer — e já existem sinais de que grandes consultorias estão mapeando o tema — o gap entre empresas que adotarem esses agentes e as que não adotarem pode se tornar intransponível em poucos anos.
Publicado em 12 de março de 2026 · thinq.news
