AlphaEvolve testaa tuhatta koodivarianttia rinnakkain

Tutkimusagentti joka korvaa kuukausien iteroinnin

Google Research esitteli I/O 2026 -tapahtumassa Computational Discoveryn, agenttisen tutkimusjärjestelmän, joka rakentuu kahden komponentin päälle: AlphaEvolven ja Empirical Research Assistantin (ERA). Idea on yksinkertainen. Tutkija antaa tavoitteen ja onnistumismittarin, agentti generoi ja arvioi tuhansia koodivariantteja rinnakkain, ja palauttaa parhaan ratkaisun minuuteissa.

Sama prosessi kestäisi ihmistutkijalta viikkoja tai kuukausia. Nyt sen voi tehdä iltapäivässä. Google julkaisi toukokuussa rinnakkaisen Nature-paperin, joka näyttää ERA:n suorituskyvyn viidellä eri tieteenalalla.

AlphaEvolve ehdottaa, ERA testaa

Arkkitehtuuri jakaa työn kahteen vaiheeseen. AlphaEvolve on evoluutioalgoritmiagentti, jonka Google DeepMind kehitti alun perin algoritmien löytämiseen. Se generoi ehdokasratkaisuja kielimallin avulla, arvioi ne todennettavia mittareita vastaan, ja iteroi parhaiden varianttien pohjalta uusia ehdokkaita.

ERA puolestaan hoitaa empiirisen analyysin: tilastot, dataputkien automaation, parametrihaut ja tulosten tulkinnan. Se etsii ratkaisuja hakupuusta, jossa kukin solmu vastaa yhtä koodivarianttia. Järjestelmä testaa tuhansia näistä rinnakkain ja oppii, mikä haara kannattaa palkita seuraavalla iteraatiolla.

Pohjalla pyörii Gemini, joka kirjoittaa varsinaisen koodin. Tutkijan rooli muuttuu koodaajasta ohjaajaksi: kysymys, mittari, arvio. Konetta ei tarvitse opastaa rivin tarkkuudella.

Viisi tutkimustulosta Nature-paperissa

Google listaa konkreettiset käyttötapaukset, joissa ERA on jo päihittänyt asiantuntijatason vertailukohdat. Hengitystiesairauksien sairaalavastaanottojen ennustaminen, jossa kohteena olivat influenssa, COVID-19 ja RSV, sijoittui CDC:n virallisilla mittarilistoilla kärkikastiin. Kalifornian jokilaaksoiden vesimäärien ennusteet ylittivät osavaltion oman Bulletin 120 -ennusteen tarkkuudessa.

Kolmas tutkimus käsitteli ilmakehän CO2-mittausten kartoitusta poikkeuksellisella tila- ja aikatarkkuudella. Neljäs koski aurinkopaneelien 3D-suunnittelun optimointia maksimoimaan energiansaanti. Viides oli vähittäiskaupan myyntiennusteet, jotka osuivat kaupallisen konsensuksen tasolle.

Yhteinen piirre kaikissa: ongelma vaati paljon kokeilua eri parametri- ja mallivaihtoehdoilla. Ihmistutkija tekee saman käsin, ja agentti tekee sen rinnakkain.

VTT, FMI ja Helsingin yliopisto: testaako joku Suomessa?

Suomessa vastaavanlaiseen suuntaan on jo edetty omilla välineillä. VTT on aiemmin kertonut, että mallinnus ja tekoäly kaksinkertaistavat materiaalitutkimuksen vauhdin, sama logiikka kuin Computational Discoveryssä, mutta omilla algoritmeilla. Kysymys on, ottaako VTT käyttöön Googlen järjestelmän vai jatkaako oman polun rakentamista.

Ilmatieteen laitos käyttää tekoälyä jo sääennusteissa, ja ECMWF otti vastikään ensimmäisen koneoppimispohjaisen ennustusmallin operatiiviseen käyttöön perinteisten rinnalle. ERA:an pohjautuva pohjoinen säämalli olisi luonteva askel, jos avoin käyttö Suomesta sallitaan.

Lähetin pyynnöt sekä VTT:lle että Ilmatieteen laitokselle: testataanko Computational Discoveryä parhaillaan? Vahvistuksia ei ehtinyt artikkelin määräaikaan, mutta päivitän jutun heti kun saan kuittauksia. Helsingin yliopiston tutkimusryhmien suuntaan lähtee vastaava viesti ensi viikolla.

Miksi tämä koskee muutakin kuin tutkijaa

Tutkimuksen nopeutuminen kuukausista minuutteihin ei jää vain laboratorioon. Jos sairaaloiden kuormitusennuste paranee viikossa eikä vuodessa, suomalainenkin terveydenhuolto saa työkalun, joka kertoo missä päivystyspaineet kasvavat ennen kuin ne ovat siellä. Sama pätee energiantuotantoon: tarkempi aurinkoennuste tarkoittaa, että Fingrid voi mitoittaa säätövoimaa täsmällisemmin ja sähkön hinnan piikit tasaantuvat.

Toinen seuraus on tutkijoiden työn rakennemuutos. Jos koodaaminen siirtyy agentille, painopiste siirtyy ongelman muotoiluun ja tulosten tulkintaan. Suomi on tässä kohtuullisen vahvoilla, koska väitöskirjatutkijat osaavat lukea koodia mutta eivät välttämättä tuota sitä viikkokausia. Iso pullonkaula poistuu, jos pääsy työkaluun aukeaa.

Pääsy Google Labsin kautta, mutta kenelle?

Google avaa Computational Discoveryn käyttöä asteittain Google Labsin Gemini for Science -ohjelman kautta, ja alkuvaiheessa pääsyä myönnetään harkitusti. Akateemiset kumppanit valitaan tapauskohtaisesti. Tämä tarkoittaa, että suomalaisten tutkimuslaitosten kannattaa hakea aikaisin. Pilottipaikat saattavat olla ylihaettuja jo loppuvuodesta.

Päivitän tätä juttua, kun saan VTT:ltä, Ilmatieteen laitokselta tai Helsingin yliopistolta vahvistuksen pilottien tilanteesta. Lähteen sähköpostikuittaus tallennetaan omaan kansioon, jotta lainauksen alkuperä säilyy vaikka julkinen linkki katoaisi.