Google DeepMind 发布 AlphaEvolve

背景

语言模型能写代码，但写出比人类专家已有成果更好的代码，是另一回事。所谓编程智能体（coding agent），指的是不只自动补全一行代码的系统：它会规划思路、写出程序、运行程序、看结果，然后再改。Google DeepMind 把自家的这类系统建在 Gemini 之上，命名为 AlphaEvolve。^[1]

它瞄准的对象是算法，也就是解决问题的一套精确步骤。算法的代价往往才是实际中最要紧的部分：一项任务要消耗多少计算资源，或者需要多少次基本运算。Google DeepMind 重点讲的两类场景——把计算任务调度到机器上，以及矩阵乘法——正属于这一类，步骤上的一点改动就可能挪动大量的工作量。

发布内容

2025 年 5 月 14 日，Google DeepMind 发布 AlphaEvolve，称其为一个由 Gemini 驱动、用于设计高级算法的编程智能体。^[1] 这次发布没有走产品上市的路线，而是用具体成果说话，并一次性给出了它在好几个不同方向上得到的收获。

具体结果

在计算基础设施方面，AlphaEvolve 找到了一个更好的调度启发式规则（heuristic），据此平均回收了 Google 全球算力的 0.7%。^[1] 调度启发式是一条经验性规则，决定哪个任务在什么时候放到哪台机器上；它不改动硬件，只改动工作的顺序和位置。由于同一条规则会作用于整个机群，机器利用率的这点改善，折算成绝对算力就是很大的量。

在数学方面，这个智能体找到了一个只需 48 次乘法的 4×4 复数矩阵乘法算法，优于 Strassen 在 1969 年给出的结果。^[1] 衡量矩阵乘法方案代价的常用标准，就是它要做多少次标量乘法，所以需要次数更少的方案在任何硬件上都更便宜。Strassen 1969 年的方法在这个规模上作为参照点已经立了半个多世纪。

范围更大一些看，Google DeepMind 在 50 多个开放数学问题上测试了该系统，它在其中约 20% 的问题上改进了已知最好解。^[1] 这个比例值得看清楚：在大多数问题上，系统并没有打破原有纪录。发布所展示的是一种在足够宽的问题面上能以一定频率奏效的方法，因而可以作为研究者的搜索工具。

获取方式

发布时系统并未公开。Google DeepMind 表示计划推出一个面向部分学术用户的早期访问计划（Early Access Program）。^[1] 团队还表示，正在与 People + AI Research 团队一起为 AlphaEvolve 开发用户界面，^[1] 感兴趣的用户可以通过发布页面链接的报名表登记。^[1]

意义

这次发布有两点突出。第一是跨度：同一类系统既被用在公司自身基础设施的运维问题上，也被用在纯数学问题上，而后者的进展通常以长期努力后发表的单个结果来计算。第二是收益的量级。全球算力的百分之零点几，或者小规模矩阵乘积里少一次乘法，单看都不惊人；但它们恰恰是会累积的量，因为调度规则是持续运行的，而矩阵乘法又嵌在无数更大的计算之中。

早期访问的安排也说明了当下的预期：它被作为一个研究成果发布，只给学术用户留了有限的通道，同时还伴随着界面开发的工作，而不是一个可以直接使用的通用工具。^[1]