AlphaEvolve

是什么

AlphaEvolve 是 Google DeepMind 于 2025 年 5 月 14 日发布的进化式编程智能体（evolutionary coding agent），用途是发现和优化算法。^[1] 它不像通常那样让模型一次写出一个程序就交付，而是生成大量候选程序，用自动化评估器打分，再根据分数决定保留、修改和重组哪些候选。名字里的「进化」说的就是这个循环：代码是被「演化」出来的，而不是一次写成的。

怎么工作

它把 Gemini 模型与自动化评估器配在一起使用。^[1] 两个模型分工不同：Gemini Flash 用来拓宽所探索的想法范围，Gemini Pro 用来给出更深入的方案建议。^[1] 真正把搜索锚住的是评估器——它必须能自动给候选程序打分，方式可以是运行程序、对照规格检查，或者测量运行速度。没有这种可测信号的问题，就没法交给它。

在 Google 自身基础设施中的结果

最具体的落地是一个数据中心调度启发式（heuristic），由 AlphaEvolve 为 Google 的集群管理系统 Borg 找到。据 DeepMind 介绍，这个启发式已在生产环境中运行了一年多，持续平均回收 Google 全球算力资源的 0.7%。^[1] 在 Google 的体量上，这样的比例对应的绝对量相当可观；这个数字值得注意还有另一个原因：它不是在基准测试里跑出的成绩，而是跑在生产里的代码。

它也被用于 Gemini 自身所依赖的算子（kernel）。它把 Gemini 架构中一个矩阵乘法算子加速了 23%，使 Gemini 的训练时间缩短 1%；对 FlashAttention 算子则实现了最高 32.5% 的加速。^[1]

在硬件一侧，它提出的一个 Verilog 改写被集成进了即将推出的 TPU。^[1]

DeepMind 这样描述工作方式的变化：过去需要专家数周投入的算子优化，用 AlphaEvolve 变成了数天的自动化实验。^[1]

在数学问题上的结果

AlphaEvolve 也被用于开放数学问题。它找到了一种用 48 次标量乘法完成 4×4 复值矩阵乘法的方法，改进了 Strassen 1969 年的算法。^[1] 得到这个结果，进化过程用了 15 次变异（mutation）。^[1] DeepMind 拿来对比的是自家更早的系统 AlphaTensor，后者只在二进制算术下的 4×4 矩阵上找到过改进。^[1]

在 50 多个开放数学问题上，它在约 75% 的情形中重新发现了已知的最优解，在约 20% 的情形中改进了已知最好解。^[1] 其中一项改进是一个由 593 个外层球构成的构型，为 11 维的接吻数（kissing number）给出了新的下界。^[1] DeepMind 提到，接吻数问题已经让数学家着迷了 300 多年。^[1]

参与者与获取方式

项目署名的开发者包括 Matej Balog、Alexander Novikov 和 Pushmeet Kohli。^[1] DeepMind 表示计划面向部分学术用户推出早期访问计划（Early Access Program），并在探索让 AlphaEvolve 更广泛可用的方式，但没有给出时间。^[1]

在算法发现工作中的位置

在 DeepMind 围绕算法发现的一系列工作里，AlphaEvolve 承接的是 AlphaTensor 这类系统的思路，但工作对象从某一类特定的数学对象换成了通用程序。同一个系统能先后用在调度启发式、计算算子、硬件描述和纯数学上，靠的是同一套机制：模型提出候选，评估器打分，循环筛选。它的局限也来自这里——问题必须有可以自动测量的目标，而结果能做到多好，取决于评估器能否真正反映问题需要什么。