AlphaEvolve mursi 56 vuoden ennätyksen – yhdellä kertolaskulla

Saksalainen matemaatikko Volker Strassen julkaisi vuonna 1969 algoritmin, joka kertoo kaksi neliömatriisia tavanomaista vähemmillä kertolaskuilla. 2×2-tapauksessa hänen menetelmänsä vaati seitsemän kertolaskua kahdeksan sijaan, ja 4×4-matriiseille kompleksilukukentässä 49 yhteenlaskua koulukirjamenetelmän 64:n sijaan. Tämä ennätys piti pintansa 56 vuotta. Helmikuussa 2026 Google DeepMindin AlphaEvolve-agentti löysi tavan tehdä saman 48 kertolaskulla.

Yhden kertolaskun säästö kuulostaa pieneltä, mutta vaikutus kertaantuu. Matriisikertolasku on syväoppimisen ydinoperaatio: jokainen neuroverkon kerros, jokainen Transformer-malli ja jokainen kielimalli pyörittää sitä miljardeja kertoja. Kun algoritmi rakennetaan rekursiivisesti, prosenttien säästö kerrostuu eksponentiaalisesti. Strassenin tulos avasi 1970-luvulla koko aliasymptoottisen matriisiteorian, ja AlphaEvolven löytö pakottaa kirjoittamaan oppikirjat osittain uusiksi.

Evoluutio koodin tasolla, ei painojen

AlphaEvolve eroaa tavanomaisesta koneoppimisesta perustavalla tavalla. Perinteinen tekoälymalli oppii painottamalla parametrejaan datan perusteella. AlphaEvolve sen sijaan kirjoittaa varsinaista lähdekoodia. Gemini Flash tuottaa nopeasti laajan kirjon koodiehdotuksia, Gemini Pro syventyy lupaavimpiin. Jokaista versiota arvioidaan automatisoiduilla testeillä, ja parhaat saavat jälkeläisiä mutaatioiden ja yhdistelmien kautta. Lopputulos on evoluutio, jonka yksikkönä on rivi koodia.

Lähestymistapa ratkaisee yhden koneoppimisen kipupisteen. Kun neuroverkko tuottaa tuloksen, kukaan ei voi todistaa sen oikeellisuutta. AlphaEvolven tuotos on koodi, jonka voi ajaa, todistaa ja vertaisarvioida. Strassen-tulos vahvistettiin avoimella todistuksella GitHubissa muutaman päivän kuluttua julkaisusta, eikä kukaan ole pystynyt sitä kumoamaan.

14 algoritmia DNA:sta energiaverkkoon

DeepMindin oman impact-raportin mukaan AlphaEvolve on parantanut neljäätoista algoritmia mittarista riippuen. Genomiikassa DeepConsensus-työkalun varianttitunnistus virhetaso laski 30 prosenttia, mikä laskee koko ihmisen genomin lukutekoälyn kustannusta. Yhdysvaltain sähköverkkojen optimointiongelmassa, joka tunnetaan nimellä AC Optimal Power Flow, käypien ratkaisujen löytyminen nousi 14 prosentista yli 88 prosenttiin. Googlen Willow-kvanttisuorittimen virhetaso putosi kymmenesosaan aiemmasta perustasosta.

Googlen omassa infrastruktuurissa agentti löysi välimuistin korvauspolitiikan, jonka kehittäminen olisi vienyt insinööreiltä kuukausia. Spanner-tietokannan tiivistysprosessin kirjoituskuormitus putosi 20 prosenttia. Matemaatikko Terence Taon kanssa AlphaEvolve etsi parempia alarajoja Erdősin avoimiin ongelmiin. Klarna, FM Logistics ja molekyylimallinnusyhtiö Schrödinger ovat ottaneet sen käyttöön omissa optimointiongelmissaan.

Genesis nostaa agentit kansallisten laboratorioiden työpöydälle

Yhdysvaltain energiaministeriö DOE käynnisti marraskuussa 2025 Genesis-ohjelmansa, jonka tavoitteena on rakentaa kansallisten laboratorioiden, akateemisen tutkimuksen ja teollisuuden yhteinen tekoälyalusta. Ohjelma mobilisoi DOE:n kaikki 17 kansallista laboratoriota, ja maaliskuussa 2026 24 organisaatiota allekirjoitti yhteistyösopimukset. AlphaEvolve on yksi alustan ensimmäisistä työkaluista: Google DeepMind tarjoaa sen kiihdytetyn käyttöoikeuden laboratorioille materiaalitieteen, lääkekehityksen ja energiantutkimuksen ongelmiin.

Käytännössä tämä tarkoittaa, että fuusioreaktorin plasman simulointia tai uusien akkujen elektrolyyttimateriaalien hakua suorittava tutkija voi pyytää agenttia kirjoittamaan ja optimoimaan koodia, jonka manuaalinen viilaaminen veisi väitöskirjaprojektin verran aikaa. Federoitu American Science Cloud yhdistää supertietokoneet, kvanttilaitteet ja tieteelliset instrumentit yhteen pinoon. Kriitikot ovat huomauttaneet, että Genesis-ohjelma sitoo tutkimusinfrastruktuurin yhden yhtiön malliin, mikä on jännitteinen valinta avoimen tieteen perinteelle.

Suomi-kulma: VTT ja Aalto seuraavat sivusta

Suomessa vastaavaa kansallisen tason agenttialustaa ei ole, mutta perusrakenteet löytyvät. VTT perusti alkuvuodesta 2026 oman tekoälyyksikkönsä osana uutta toimintamallia, jossa digitaaliset järjestelmät ja materiaalit yhdistyvät kahdeksi liiketoiminta-alueeksi. Tekoälyn tutkimuskeskus FCAI yhdistää Aalto-yliopiston, Helsingin yliopiston ja VTT:n tutkimusryhmät, ja sen sisällä toimii laskennallisen tieteen sekä modernien algoritmien ryhmiä, jotka käsittelevät juuri niitä matriisilaskennan ja optimoinnin ongelmia, joita AlphaEvolve on ratkonut.

Kysymys on, mihin suomalainen perustutkimus voi tällaisessa asetelmassa nojata. Lupaavin polku ei ole agentin uudelleenkirjoittaminen vaan sen tuotosten todentaminen ja vertaisarviointi. Aallon kryptografian ja formaalin verifioinnin ryhmät istuvat täsmälleen siinä kohdassa, jossa Gemini-pohjaisen koodinhaun tuottamia algoritmeja täytyy todistaa matemaattisesti oikeiksi ennen kuin ne ajetaan kriittiseen infrastruktuuriin. Sama pätee VTT:n teollisuusasiakkaille: jos AlphaEvolven löytämä algoritmi tehostaa sähköverkon optimointia, joku joutuu vastaamaan siitä, että se ei kaada Fingridiä.

Mihin tämä johtaa

AlphaEvolve ei tee tutkijoita tarpeettomiksi vaan siirtää työpisteen. Kun tekoälyagentti vie kuukausien algoritmityön päivien työksi, tutkijan ajasta vapautuu enemmän ongelmanasettelulle, todistuksille ja sille kysymykselle, mikä lopulta on oikea kysymys. Strassenin ennätyksen rikkominen ei kuulosta tavallisen koodaajan arkiselta uutiselta, mutta se on signaali siitä, että tekoälyagentit ovat astuneet matemaattisen perustutkimuksen alueelle. Seuraava asia, jota kannattaa seurata, on se, missä laboratoriossa AlphaEvolven seuraajat löytävät ensimmäisen kerran algoritmin, jonka todistaminen vie ihmisiltä vuosia.