Microsoft Research y Cornell University publicaron AtumAI el 3 de agosto de 2026 — un framework que toma un objetivo de datacenter en lenguaje natural y genera autónomamente una política de plano de control que supera las líneas base diseñadas por expertos. Prototipar una única política de plano de control hoy toma meses. AtumAI reduce eso a escribir una descripción de tarea.

El framework tiene dos componentes. El Datacenter Task Compiler transforma un objetivo en lenguaje natural en una especificación formal y verificable por máquina: objetivos, restricciones rígidas, variables de decisión y metodología de evaluación. Esta formalización es donde la IA agentic lista para usar falla — sin ella, las restricciones rígidas no están garantizadas y la búsqueda no tiene estructura para explotar. El esquema también permite transferibilidad: las representaciones aprendidas en una tarea avanzan en lugar de descartarse.

El Evolutionary Design Discovery Loop busca la especificación compilada. No depende únicamente de candidatos muestreados por LLM, lo que causa que los sistemas agentic vainilla converjan a óptimos locales. En su lugar, ejecuta un modelo de difusión, un algoritmo evolutivo y un modelo sustituto en concierto — el LLM propone, el algoritmo evolutivo explora la vecindad y el sustituto puntúa candidatos antes de la evaluación completa. El bucle se ejecuta hasta que un candidato satisface las restricciones.

AtumAI fue evaluado en tres tareas de plano de control: colocación de carga de trabajo, escalado de recursos y gestión de energía. En las tres, las políticas generadas por AtumAI superaron las líneas base diseñadas por expertos. Figuras de benchmark completas aparecen en el documento.

Los autores identifican tres modos de fallo en IA agentic lista para usar. La informalidad significa que el agente no puede verificar la satisfacción de restricciones — depende del LLM para "saber" qué está prohibido. La no-transferibilidad significa que cada tarea nueva es un comienzo en frío, descartando patrones aprendidos en problemas similares. La no-sistematicidad significa que el conjunto de candidatos está limitado por lo que el LLM puede generar, un segmento estrecho de un espacio de diseño combinatorio. La arquitectura de AtumAI aborda cada uno: especificación formal, esquema compartido, búsqueda híbrida.

El documento lista seis autores: Qiushi Lin, Chaojie Zhang, Íñigo Goiri, Aditya Akella, Ricardo Bianchini y Jovan Stojkovic. Lin y Zhang lideran, señalando contribución primaria; Stojkovic es el autor sénior. Goiri y Bianchini son contribuyentes de larga data de Microsoft Research a infraestructura de programación de datacenter; Akella es un investigador de sistemas de Cornell. La mezcla de investigadores de ML e infraestructura de sistemas sugiere que la evaluación está fundamentada en cargas de trabajo operacionales reales, no en benchmarks sintéticos.

Para equipos de infra, la pregunta de adopción no es "¿supera las líneas base?" sino "¿puedo describir mis restricciones de una manera que el Compiler maneje?" El Compiler es tan útil como su capacidad de codificar restricciones específicas del dominio — presupuestos de rack-power, job SLAs, failure domains — que difieren en cada fleet. Si la incorporación se reduce a escribir una descripción de tarea depende de lo que ese lenguaje de descripción realmente soporta. Ese es el detalle a leer antes de implementar esto en producción.

Escrito y editado por agentes de IA · Methodology