AlphaEvolve: 11 Recordes que Provam que o ML Já Está se Redesenhando

56 anos. 20.442 dias. Foi exatamente o que durou o recorde de Volker Strassen para multiplicação de matrizes 4×4 complexas — 49 multiplicações escalares, o melhor que a humanidade conseguiu produzir desde 1969. Até maio de 2026, quando um sistema de IA chamado AlphaEvolve, da Google DeepMind, simplesmente entregou 48.

Strassen não era um nome qualquer na história da computação. Em 1969, seu algoritmo provou que era possível multiplicar matrizes 4×4 com apenas 49 multiplicações — contra as 64 do método ingênuo. Durante 56 anos, sucessivas gerações de pesquisadores tentaram, sem sucesso, chegar a 48. O que nenhum deles conseguiu em mais de meio século de esforço intelectual, o AlphaEvolve alcançou em semanas de busca computacional.

Uma única multiplicação a menos. Parece pouco, quase irrelevante para quem não vive de eficiência computacional. Mas em computação, cada operação conta — especialmente quando essa operação é executada trilhões de vezes por segundo no mundo inteiro. Multiplicação de matrizes está no coração de absolutamente tudo que envolve machine learning — do treinamento de transformers à renderização gráfica, da simulação científica à criptografia. Um ganho que parece marginal em escala micro se transforma em economia colossal quando multiplicado por bilhões de execuções diárias.

O feito, porém, vai muito além da matemática. AlphaEvolve não é um modelo que resolve problemas conhecidos — é um motor de descoberta de algoritmos. Ele gera, testa, valida e otimiza novas formas de computar, sem depender de intuição humana. O paralelo histórico mais próximo talvez seja o momento em que os primeiros compiladores começaram a otimizar código melhor que programadores assembly — só que agora o salto é de várias ordens de magnitude em escala e abrangência. E, num loop que até pouco tempo parecia reservado à ficção científica, ele está redesenhando a própria infraestrutura física que executa machine learning. O sistema que otimiza os chips que rodam os modelos que, por sua vez, vão alimentar e turbinar a próxima versão do sistema.

Na nossa visão, este não é mais um artigo sobre um recorde de IA. É sobre o momento exato em que o ML começou a se auto-aprimorar de forma sistemática e intencional — e os números que comprovam que isso já está rodando em escala industrial, em empresas reais, com resultados tangíveis e mensuráveis.

O que é o AlphaEvolve? (E Por que Ele é Diferente de Tudo que Veio Antes)

Antes de mergulhar nos números impressionantes, vale a pena entender o que torna o AlphaEvolve tão diferente de sistemas anteriores como o AlphaGo, o AlphaFold ou o AlphaDev.

A maioria dos sistemas de IA que conhecemos são modelos que resolvem problemas específicos e bem definidos. O ChatGPT gera texto coerente. O AlphaFold prevê estruturas tridimensionais de proteínas com precisão comparável a experimentos de laboratório. O Gemini processa linguagem e imagens simultaneamente. Todos eles recebem uma entrada, processam de acordo com um objetivo fixo e devolvem uma saída — resolvem um problema já mapeado e compreendido.

A diferença crucial está no que se otimiza. Modelos de aprendizado por reforço tradicionais aprendem uma política para vencer dentro de um ambiente fechado — como o AlphaGo no tabuleiro de Go. O AlphaEvolve opera uma camada acima: ele descobre algoritmos, que são sequências de operações matemáticas, validados pelo critério universal de eficiência computacional. Seu espaço de busca não tem 19×19 posições — é um universo combinatorial de operações algébricas cujo tamanho desafia qualquer estimativa.

O AlphaEvolve não funciona assim. Ele é um sistema de descoberta algorítmica: em vez de resolver um problema diretamente, ele descobre novas maneiras de resolver problemas. A distinção é sutil na descrição, mas revolucionária na prática.

O método é simples no conceito, porém brutal na execução computacional. O sistema parte de um espaço imenso de operações matemáticas possíveis — um universo de combinações que nenhum ser humano poderia explorar em muitas vidas — e, usando busca guiada por aprendizado por reforço, converge para algoritmos que são simultaneamente corretos do ponto de vista lógico e eficientes do ponto de vista computacional. É como se um engenheiro de software pudesse testar bilhões de implementações diferentes por segundo e, no fim, escolher a melhor para cada contexto.

A diferença crucial em relação a qualquer abordagem humana? Um engenheiro otimiza dentro do que conhece. Ele parte de soluções existentes e as aperfeiçoa incrementalmente, guiado por intuição e experiência. O AlphaEvolve otimiza dentro do que é matematicamente possível — sem viés, sem apego a tradições, sem paradigmas estabelecidos. Enquanto um humano tende a buscar soluções familiares, o motor algorítmico explora caminhos que ninguém jamais considerou porque violam suposições que sequer sabíamos que estávamos fazendo. E às vezes o que é possível é contra-intuitivo, estranho, quase errado aos olhos humanos, e ainda assim dramaticamente mais eficiente. Soluções que nenhum engenheiro consideraria porque fogem completamente dos padrões estabelecidos de pensamento.

O resultado dessa abordagem sem amarras é uma lista de recordes que atravessa áreas tão diversas quanto matemática pura, infraestrutura de data centers, genômica, logística de armazéns, computação quântica e simulação molecular. Onze áreas completamente diferentes, um único motor de descoberta algorítmica funcionando como denominador comum.

Os 11 Recordes em Números (e o que Cada Um Significa na Prática)

Compilamos os principais resultados divulgados pela DeepMind em maio de 2026 (Fonte). Vale a pena estudar esta tabela com calma — as ordens de grandeza e a diversidade revelam um padrão que vai além de números isolados:

Onze áreas de aplicação completamente distintas. Onze resultados que comprovam a tese central. Em vários casos, o AlphaEvolve melhorou aquilo que equipes dedicadas de engenheiros e cientistas humanos não conseguiram melhorar em décadas de trabalho especializado.

O aspecto mais eloquente, no entanto, não é nenhum recorde individual — é a diversidade impressionante deles. O mesmo sistema que quebra um recorde matemático de 56 anos também otimiza a logística de armazéns e acelera a descoberta de medicamentos. Isso não é uma ferramenta de propósito específico. É uma capacidade geral de otimização algorítmica, aplicável a virtualmente qualquer domínio que possa ser formulado como um problema de busca por eficiência computacional. E isso, sim, é um marco histórico.

Quatro Casos Reais que Mostram o Tamanho da Coisa

AlphaEvolve não é um experimento de laboratório nem uma demonstração acadêmica controlada. Empresas reais, em setores reais da economia, já estão usando os algoritmos descobertos por ele em produção — e os resultados são concretos, mensuráveis e, em alguns casos, impressionantes.

Klarna — a fintech sueca, conhecida mundialmente por suas soluções de pagamento online, usou o AlphaEvolve para otimizar um de seus maiores modelos transformer em produção. O resultado foi direto e sem ambiguidade: o dobro da velocidade de treinamento sem qualquer perda mensurável na qualidade das saídas do modelo. Na prática do dia a dia, isso significa que a equipe de machine learning da Klarna consegue iterar duas vezes mais rápido sobre novas arquiteturas e conjuntos de dados, gastar metade do orçamento de computação por ciclo de treinamento e entregar modelos melhores em menos tempo. Para uma empresa que processa milhões de transações financeiras por dia — a Klarna opera em mais de 45 países, gerenciando pagamentos que somam dezenas de bilhões de dólares anuais — o impacto no custo operacional e na velocidade de inovação é imediato e significativo. Modelos transformer são o coração de sistemas de detecção de fraude e análise de risco em tempo real; treiná-los com o dobro da velocidade significa responder a novos padrões de fraude na metade do tempo. Em um setor onde a agilidade de resposta define a segurança do negócio, esse ganho de velocidade tem valor que vai muito além da redução de custos com GPU.

FM Logistic — a empresa francesa de logística aplicou o AlphaEvolve ao clássico Problema do Caixeiro Viajante, ou TSP, um dos problemas mais estudados em ciência da computação e pesquisa operacional. O problema foi atacado em escala de armazém, com dezenas de pontos de entrega por rota. O ganho obtido foi de 10,4% em eficiência de roteamento. O percentual soa modesto até você traduzir o número em termos tangíveis: mais de 15 mil quilômetros por ano de deslocamento evitado. São caminhões deixando de rodar, diesel deixando de ser queimado, horas de motorista sendo economizadas, manutenção de frota sendo reduzida. Em logística, onde as margens são apertadas, 10% de eficiência é frequentemente a diferença entre um contrato lucrativo e um contrato no vermelho.

Schrödinger — especializada em descoberta computacional de materiais e fármacos, a Schrödinger utiliza Machine Learned Force Fields (MLFF) para simular interações moleculares com alta precisão, substituindo simulações de dinâmica molecular tradicionais que são muito mais lentas. O AlphaEvolve acelerou o treinamento e a inferência desses campos de força em aproximadamente 4 vezes. Gabriel Marques, Technical Lead de Machine Learning na Schrödinger, contextualizou o impacto nos negócios: "O AlphaEvolve nos permite explorar espaços químicos maiores de forma mais rápida e eficiente do que nunca. Inferência MLFF mais rápida tem impacto real nos negócios, encurtando ciclos de P&D em descoberta de medicamentos, design de catalisadores e desenvolvimento de materiais." (Fonte) Em indústrias farmacêuticas e de materiais, onde cada mês de P&D economizado vale milhões de dólares em custos evitados e receita antecipada, um ganho de 4x na velocidade de simulação é potencialmente transformador para a competitividade da empresa. Em vez de simular dezenas de candidatos a fármacos por mês, os pesquisadores podem agora explorar centenas — ampliando dramaticamente o espaço de busca química sem aumentar o orçamento computacional.

PacBio — na genômica de precisão, o AlphaEvolve melhorou significativamente o DeepConsensus, sistema de correção de erros de sequenciamento de DNA desenvolvido pela PacBio. A taxa de erro em detecção de variantes genéticas caiu 30% — um salto e tanto para um campo onde cada ponto percentual de precisão é conquistado com muito esforço. Aaron Wenger, Senior Director na PacBio, destacou a relevância clínica direta: "Para pesquisadores, esses dados de maior qualidade podem permitir a descoberta de mutações causadoras de doenças anteriormente ocultas." (Fonte) Em genômica clínica, 30% menos erro não é uma métrica abstrata para apresentação em conferência — é a diferença prática entre encontrar ou não uma mutação que pode explicar uma doença genética rara e, potencialmente, orientar um tratamento que salva vidas. Para pacientes com condições genéticas não diagnosticadas, esse ganho de precisão representa uma chance real de resposta que antes simplesmente não existia.

O Loop do Auto-Aprimoramento: Quando a IA Projeta o Próprio Hardware

Aqui chegamos ao que, na nossa opinião, é o aspecto mais profundo e subestimado de todo este anúncio. Jeff Dean, Chief Scientist da Google DeepMind, revelou um nível de aplicação do AlphaEvolve que vai muito além de software e algoritmos abstratos:

"AlphaEvolve began optimizing the lowest levels of hardware powering our AI stacks. It proposed a circuit design so counterintuitive yet efficient that it was integrated directly into the silicon of our next-generation TPUs. This is the latest example of TPU brains helping design next-generation TPU bodies." — Jeff Dean, Chief Scientist, Google DeepMind (Fonte)

Pense nas implicações disso. Um sistema de IA projetou um circuito digital que era tão eficiente — e, ao mesmo tempo, tão contra-intuitivo para engenheiros humanos — que a Google decidiu fabricá-lo fisicamente no silício dos seus TPUs de próxima geração. O que Jeff Dean chama de "cérebros de TPU ajudando a projetar corpos de TPU" não é uma metáfora poética. É engenharia literal, em produção, no maior ecossistema de IA do planeta.

O ciclo que se forma a partir daqui é recursivo e acelera sozinho. Veja como cada peça se encaixa:

O AlphaEvolve otimizou o kernel Pallas usado na arquitetura Gemini, entregando 23% de speedup. Esse ganho reduz o tempo total de treinamento do Gemini em 1% — o que, dado o custo astronômico de treinar um modelo de fronteira, representa dias de computação e milhões de dólares economizados por ciclo de treinamento. Com menos tempo de GPU, a Google pode treinar o Gemini com mais dados, com mais iterações de ajuste, ou simplesmente treinar versões mais frequentes do modelo. Um Gemini melhor treinado é, por sua vez, uma base melhor para as próximas versões do AlphaEvolve — que vão otimizar ainda mais a infraestrutura, que vai rodar o próximo Gemini, que vai alimentar o próximo AlphaEvolve.

Na prática, a Google já está recuperando 0,7% de todo o poder computacional dos seus data centers graças a agentes de escalonamento de recursos gerados pelo AlphaEvolve. O número vale ouro precisamente por ser pequeno em termos percentuais, mas colossal em termos absolutos. O percentual parece pequeno — até você considerar que a Google opera uma das maiores frotas de servidores do planeta, possivelmente a maior do mundo. Em valor absoluto, 0,7% representa dezenas de milhares de GPUs H100 que voltam a ficar disponíveis para outras cargas de trabalho. Tudo isso sem que nenhum engenheiro humano tenha escrito uma linha de código de escalonamento. (Fonte)

O sistema de arquivos Spanner, espinha dorsal do armazenamento distribuído da Google, também foi beneficiado: heurísticas de compactação LSM-tree descobertas pelo AlphaEvolve reduziram a chamada "write amplification" em 20%. É mais um ganho silencioso em escala planetária — ninguém vai ver um comunicado de imprensa sobre isso, mas a partir de agora cada byte escrito no Spanner vai custar 20% menos ciclos de I/O pelo resto da vida operacional do sistema.

O que conecta todos esses ganhos é a natureza auto-alimentada do ciclo. O AlphaEvolve roda em hardware da Google, que foi parcialmente otimizado por versões anteriores do próprio AlphaEvolve. As economias computacionais geradas liberam mais recursos para treinar a próxima geração de modelos — incluindo o próprio sistema de descoberta algorítmica. É um volante que acelera sozinho: cada iteração deixa mais capacidade disponível para a seguinte.

Implicações para o Futuro: O Ritmo da Inovação Acabou de Mudar de Patamar

Se você acompanha machine learning e acha que a evolução dos últimos anos foi rápida — preste muita atenção no que o AlphaEvolve sinaliza sobre o futuro próximo. A velocidade da inovação pode estar prestes a mudar de patamar de forma irreversível.

Terence Tao, professor de matemática na UCLA e um dos maiores matemáticos vivos — frequentemente chamado de "Mozart da matemática" por sua produção prodigiosa — já está usando ferramentas baseadas no AlphaEvolve em seu trabalho. Sua avaliação é reveladora sobre o impacto no pensamento matemático e científico:

"Ferramentas como o AlphaEvolve estão dando aos matemáticos capacidades novas muito úteis. Para problemas de otimização em particular, agora podemos testar rapidamente possíveis desigualdades em busca de contraexemplos, o que melhora muito nossa intuição sobre esses problemas e nos permite encontrar provas rigorosas mais prontamente." — Terence Tao, Professor de Matemática, UCLA (Fonte)

O dado que mais nos chama a atenção em toda a pesquisa: em 50 problemas matemáticos em aberto, o AlphaEvolve redescobriu o estado-da-arte em 75% dos casos e, mais impressionante ainda, encontrou soluções superiores em 20% deles. Ele não se limitou a replicar o que humanos já sabiam — em um quinto dos problemas, ele fez melhor do que qualquer humano já havia feito, em alguns casos reduzindo pela metade o número de operações necessárias. (Fonte)

Quando combinamos os resultados matemáticos com os ganhos em infraestrutura, genômica, logística e simulação molecular, emerge um padrão que seria imprudente ignorar: a capacidade de auto-aprimoramento não é um acidente estatístico confinado a um domínio específico, mas uma propriedade generalizável do método de busca algorítmica.

Isto não é coincidência nem ruído estatístico. É um padrão claro e consistente que aponta para uma mudança estrutural profunda na forma como a inovação computacional acontece.

Na nossa avaliação, estamos diante de um ponto de inflexão histórico. Até agora, a IA era uma ferramenta que aumentava a capacidade humana — como uma calculadora para matemáticos, um compilador para programadores ou um telescópio para astrônomos. A IA aumentava o humano. O AlphaEvolve sugere um passo adiante, qualitativamente diferente: a IA como ferramenta que aumenta a própria IA.

A comparação com saltos históricos ajuda a dimensionar o momento. A Revolução Industrial multiplicou a força física por meio de máquinas. A internet multiplicou o acesso à informação em escala planetária. O AlphaEvolve representa o mesmo padrão para a inteligência computacional: IA otimizando a infraestrutura que sustenta a própria IA. Assim como máquinas passaram a construir máquinas, o ciclo de auto-aprimoramento algorítmico torna cada iteração mais rápida que a anterior.

Se um sistema pode:

• Otimizar algoritmos de computação melhor que engenheiros humanos especializados
• Projetar circuitos integrados melhor que designers de hardware experientes
• Descobrir soluções matemáticas inéditas que ninguém encontrou em décadas

Então o ritmo da inovação em inteligência artificial deixa de ser limitado pela capacidade humana de pensar, criar e descobrir. Ele passa a ser limitado apenas pela computação disponível — e pela criatividade com que alimentamos esse loop recursivo.

A pergunta que fica pairando no ar, sem resposta clara ainda, é a seguinte: o que acontece quando o AlphaEvolve de amanhã for executado nos TPUs que o AlphaEvolve de hoje ajudou a projetar e fabricar? Cada iteração desse loop será mais rápida que a anterior — porque a infraestrutura física que roda o sistema de descoberta foi ela mesma otimizada, em parte significativa, pelo próprio sistema de descoberta.

Conclusão

O recorde de Strassen é um símbolo poderoso, quase poético. Uma única multiplicação a menos não vai transformar a computação mundial sozinha. Mas ela representa a prova de conceito definitiva, o marco zero de uma nova era: máquinas podem descobrir algoritmos melhores que os melhores algoritmos que a humanidade produziu em 56 anos de esforço intelectual concentrado das mentes mais brilhantes.

AlphaEvolve não é um produto que se compra em prateleira. Não é um aplicativo que se baixa nem um serviço de nuvem que se assina. É uma capacidade emergente e generalizável — a capacidade de deixar o ML se redesenhar, se otimizar e se superar recursivamente. E, pelos números apresentados e analisados aqui, essa capacidade já está gerando valor concreto e mensurável em escala real, simultaneamente em múltiplos setores distintos da economia global.

O loop do auto-aprimoramento não é mais teoria abstrata. Não é mais promessa de keynote em conferência de tecnologia. Está rodando neste exato momento nos data centers da Google, otimizando o Spanner e liberando GPUs. Está rodando nos armazéns da FM Logistic, economizando diesel e quilometragem. Está rodando nos transformers da Klarna, cortando tempo de treinamento pela metade. Está rodando nos sequenciadores genômicos da PacBio, revelando mutações antes invisíveis. Está rodando nos servidores de simulação molecular da Schrödinger, acelerando a descoberta de novos medicamentos.

E, ao que todos os indicadores disponíveis sugerem, ele só está começando a acelerar. A pergunta que define a próxima década não é mais "se" a IA vai se auto-aprimorar — é "o quão rápido" esse loop recursivo vai girar e o que vamos fazer com a aceleração que ele trará.

Artigos Relacionados

Confira também: A Grande Reforma do Transformer: Maio de 2026 Está Reescrevendo as Regras do ML Confira também: Machine Learning Explicado: Guia Completo para Iniciantes em 2026 Confira também: O Fim dos Pilotos de ML: Como as 'AI Factories' Estão Industrializando o Machine Learning nas Empresas em 2026