AlphaEvolve ha corretto il DNA ma serve più potenza di calcolo
AlphaEvolve, agente AI di Google, riscrive DeepConsensus riducendo errori di variante del 30%. La sfida è la potenza di calcolo per l'analisi genomica.
AlphaEvolve ha riscritto il codice di DeepConsensus, riducendo gli errori di variante del 30%
DeepConsensus è un modello di correzione degli errori di sequenziamento genico sviluppato da Google Research. AlphaEvolve, l’agente di coding AlphaEvolve, ha preso quel codice e lo ha ottimizzato, tagliando del 30% gli errori di variante. Il risultato è una pipeline di sequenziamento più pulita, ma il vero nodo non sta nel software: sta nei PFLOPS che servono per scalare queste correzioni su milioni di genomi.
L’agente che riscrive il codice genetico
AlphaEvolve non si limita a eseguire un tuning iperparametrico. È un agente Gemini-powered che ha esplorato lo spazio delle architetture di DeepConsensus modificando direttamente il codice sorgente. Il miglioramento del 30% negli errori di variante è stato ottenuto riscrivendo parti del modello senza intervento umano. Il risultato è un sistema di correzione del DNA che, secondo le dichiarazioni di Aaron Wenger riguardo AlphaEvolve, “sblocca tassi di accuratezza significativamente più alti per i nostri strumenti di sequenziamento”. Per i ricercatori, questo significa poter scoprire mutazioni patogene prima invisibili. I benefici per PacBio sono già tangibili: dati più accurati a costi inferiori.
Il collo di bottiglia non è l’algoritmo, ma il computo
Una pipeline di correzione genica ottimizzata è inutile se non può essere eseguita su interi biobanche.
Qui entra in gioco la fisica delle GPU. Le leggi di scaling di Kaplan et al. (2020) hanno mostrato che la loss scende in modo prevedibile con il compute, e queste dinamiche sono oggi descritte nei building blocks per training su AWS. La GPU H100 su AWS offre 80 GB di HBM3 e 3,35 TB/s di banda, ma la GPU B200 su AWS raddoppia la memoria a 180 GB e spinge il throughput FP8 a 4,5 PFLOPS. Per applicare AlphaEvolve a un intero genoma umano (3 miliardi di basi) servono cluster che solo NVIDIA e AWS possono fornire con le scale necessarie.
Per chi costruisce: lo stack si allunga verso l’hardware
Jensen Huang lo ha detto chiaramente: “Your career starts at the beginning of the AI revolution”. Per chi sviluppa tool di genomica, la competenza non finisce più con TensorFlow o PyTorch. Serve capire allocazione di memoria HBM, topologie di interconnessione NVLink e profili di utilizzo Tensor Core. AlphaEvolve ha dimostrato che si può estrarre più accuratezza dal dato genetico, ma il vero effetto leva è sull’infrastruttura: il prossimo salto nella medicina personalizzata non arriverà da un nuovo modello, ma da quanti PFLOPS si riescono a mettere in fila per eseguire quel modello su ogni paziente.
