Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind7. Mai 2026 · Q001492

AlphaEvolve: Gemini-powered coding agent scaling impact across fields

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Google DeepMind berichtet, AlphaEvolve habe in unterschiedlichen Bereichen Optimierungen erzielt – etwa bei Genomik, Stromnetzberechnungen, Quantenphysik, Googles Infrastruktur und kommerziellen Anwendungen. Die angeführten Kennzahlen sind anwendungsspezifische Angaben des Berichts; Versuchsdetails und unabhängige Prüfungen werden nicht durchgehend dargestellt.

Mittel

Der Bericht beschreibt AlphaEvolve als Gemini-gestützten Programmieragenten, der Algorithmen und technische Systeme optimiert. Google DeepMind führt Anwendungen in Forschung, eigener Infrastruktur und Unternehmen an. Dazu zählen laut Bericht eine um 30 Prozent geringere Fehlerrate bei der DNA-Variantenbestimmung mit DeepConsensus, eine Steigerung der Erfolgsquote eines Modells für Stromnetzberechnungen von 14 auf über 88 Prozent sowie fünf Prozent mehr aggregierte Genauigkeit bei Naturgefahrenprognosen. Für Quantenkreise auf Googles Willow-Chip wird ein zehnmal geringerer Fehler als bei konventionell optimierten Vergleichslösungen genannt. In der Mathematik habe das System unter anderem bei Erdős-Problemen sowie bei Schranken für das Problem des Handlungsreisenden und Ramsey-Zahlen geholfen.

Im Google-Betrieb nennt der Bericht Optimierungen für TPUs, Cache-Regeln und Spanner: 20 Prozent weniger Write Amplification und knapp neun Prozent weniger Software-Speicherbedarf. Bei Unternehmen werden unter anderem doppelte Trainingsgeschwindigkeit bei Klarna, 10,4 Prozent effizientere Logistikrouten und eine etwa vierfache Beschleunigung bei Schrödinger angeführt. Die Angaben sind Fallbeispiele des Berichts. Er erläutert Methoden, Datengrundlagen und unabhängige Prüfungen nicht durchgehend; die Kennzahlen lassen sich daher nicht als einheitlicher Gesamtvergleich lesen.

Ausführlich lesen

Der Bericht stellt AlphaEvolve als von Gemini unterstützten Programmieragenten vor, der Algorithmen und Systeme weiterentwickeln soll. Google DeepMind führt Beispiele aus Forschung, eigener Infrastruktur und kommerziellen Anwendungen an, um zu zeigen, wie das System Optimierungen findet. Die Zahlen und Wirkungsangaben stammen aus dem Bericht und werden dort als Ergebnisse der jeweiligen Anwendungen dargestellt.

In der Genomik soll AlphaEvolve DeepConsensus, ein Modell zur Korrektur von DNA-Sequenzierungsfehlern, verbessert haben. Der Bericht nennt eine Verringerung von Fehlern bei der Variantenbestimmung um 30 Prozent. PacBio zufolge könnten genauere Sequenzdaten Forschenden helfen, bislang unerkannte krankheitsverursachende Mutationen zu entdecken. Für die Optimierung von Stromnetzen wird berichtet, dass ein trainiertes Graph-Neuronales Netz dank AlphaEvolve häufiger zulässige Lösungen für ein Problem der optimalen Wechselstrom-Leistungsflussberechnung findet: Die Quote sei von 14 auf mehr als 88 Prozent gestiegen. In den Geowissenschaften hätten Optimierungen an Earth-AI-Modellen die über 20 Naturgefahren-Kategorien zusammengefasste Vorhersagegenauigkeit um fünf Prozent erhöht.

Weitere Beispiele betreffen Quantenphysik und Mathematik. Für Simulationen auf Googles Willow-Quantenprozessor habe AlphaEvolve Schaltungen vorgeschlagen, deren Fehler laut Bericht zehnmal geringer seien als bei zuvor konventionell optimierten Vergleichslösungen. Die Ergebnisse hätten zu ersten experimentellen Demonstrationen beigetragen. In Zusammenarbeit mit Mathematikern, darunter Terence Tao, sei das System bei Erdős-Problemen eingesetzt worden. Der Bericht nennt außerdem verbesserte untere Schranken für das Problem des Handlungsreisenden und Ramsey-Zahlen. Tao beschreibt den Nutzen vor allem darin, Vermutungen und mögliche Gegenbeispiele rasch zu prüfen und so mathematische Intuition und die Suche nach strengen Beweisen zu unterstützen. Weitere genannte Forschungsfelder reichen von interpretierbaren Neurowissenschaftsmodellen bis zu Kryptografie, synthetischen Daten und Sicherheitsmaßnahmen für fortgeschrittene KI.

Auch Googles technische Infrastruktur sei mit AlphaEvolve optimiert worden: Das System unterstütze den Entwurf kommender TPUs, habe effizientere Cache-Verdrängungsregeln gefunden und die Schreibleistung von Spanner durch angepasste Kompaktierungsheuristiken verbessert. Für Spanner nennt der Bericht 20 Prozent weniger „Write Amplification“; Compileroptimierungen hätten den Speicherbedarf von Software um knapp neun Prozent reduziert. Ein Vorschlag für ein Schaltungsdesign sei direkt in Silizium einer nächsten TPU-Generation integriert worden.

Bei externen Unternehmen werden unter anderem eine Verdopplung der Trainingsgeschwindigkeit eines großen Klarna-Transformer-Modells bei zugleich verbesserter Modellqualität, eine mehrfache Beschleunigung von Berechnungen bei Substrate, 10,4 Prozent effizientere Routen bei FM Logistic, zehn Prozent Genauigkeitsgewinn bei WPP und etwa vierfache Beschleunigung von Training und Inferenz bei Schrödinger angeführt. FM Logistic beziffere die jährliche Einsparung auf mehr als 15.000 Kilometer Fahrstrecke.

Der Bericht bündelt Fallbeispiele und Kennzahlen, beschreibt aber nicht durchgehend die Versuchsaufbauten, Datensätze, Unsicherheiten oder unabhängigen Vergleichsprüfungen. Die Ergebnisse sind deshalb als berichtete, anwendungsspezifische Angaben zu verstehen und erlauben für sich genommen keinen einheitlichen Vergleich der Leistungsfähigkeit in allen Bereichen. Die Aussicht, AlphaEvolve auf weitere externe Herausforderungen auszuweiten, ist ein Ausblick des Unternehmens.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Der Bericht ist eine Selbstdarstellung von Google DeepMind mit Fallbeispielen und ohne unabhängige Prüfung. Die Zusammenfassung ist sachlich treu, die Einordnung fällt deshalb überwiegend niedrig aus, weil der Bericht Anwendungen beschreibt und keine Governance- oder Sicherheitsfragen behandelt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Fallbeispiele WPP (10 Prozent Genauigkeitsgewinn) und Substrate (mehrfache Laufzeitbeschleunigung) werden nicht genannt.
  • Der Cache-Replacement-Befund (zwei Tage statt monatelanger Arbeit) fehlt.
  • Die Vermarktung über Google Cloud an Unternehmen wird nur allgemein angedeutet, nicht benannt.
  • Die Aussage, AlphaEvolve sei von einer Pilotphase zu einem Kernbestandteil der Infrastruktur geworden, fehlt.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 20 %Hintergrund, keine Belege
    • Luna 34 %umfangreiche Belege
    • JEV 43 %beantwortet teilweise oder widerspricht
    • amos 29 %einzelne zitierbare Belege
    • SubQ 29 %gleiches Oberthema, hilft nicht
    • drex 33 %einzelne zitierbare Belege
    • d3-ultra 47 %einzelne zitierbare Belege
    • Haiku-Prüfung einzelne zitierbare Belege

Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 28 %Hintergrund, keine Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 69 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →