DeepMind 发布 AlphaEvolve：用 Gemini 进化代码，打破数学纪录

如果写代码的 AI 不仅能帮你改 bug，还能反过来重构整个算力底层、甚至自己优化自己，世界会变成什么样？

Google DeepMind 刚刚端出了 AlphaEvolve。这是一个由大模型驱动的进化式编码智能体，专门用来从零发现和优化底层算法。

它不是只写几个简单函数，而是能进化整套代码库。DeepMind 让速度最快的 Gemini Flash 负责广撒网、探索各种思路，再让能力更强的 Gemini Pro 负责深度推导和给出建议。

生成的每一段代码都会被送进自动化评估系统打分。只要一个问题能量化、能被代码验证，这个进化循环就会一直跑下去，直到刷出更强的算法。

默默省下 0.7% 的全球算力

很多人以为这还是实验室里的玩具，但事实上，AlphaEvolve 已经在 Google 内部跑了一年多。

它给 Google 的 Borg 集群调度系统写了一个简单的新启发式算法。就这么一处改动，在生产环境持续运行一年，平均给 Google 抠出了 0.7% 的全球计算资源。

对普通公司来说 0.7% 不算什么，但在 Google 这种体量的数据中心里，这就是天文数字般的电力和服务器成本。更妙的是，它写出来的是人类工程师完全看得懂、好调试的高可读代码。

它还把手伸进了芯片设计。AlphaEvolve 自动优化了一段 Verilog 代码，去掉了矩阵乘法算术电路里没必要的比特位，这项成果已经被直接做进了下一代 TPU 芯片。

在 AI 自身训练上，它把 Gemini 的矩阵乘法内核提速了 23%，让整个 Gemini 模型的训练时间缩短了 1%。过去需要顶级专家花几周手动调优的内核，现在让它跑几天自动化实验就能搞定。

连英伟达 GPU 极其复杂的底层指令也没逃过它的手心。它把 Transformer 架构里的 FlashAttention 内核直接提速了 32.5%。

顺手破了困扰数学家几百年的难题

除了给基础设施拧螺丝，AlphaEvolve 还在纯数学领域刷了榜。

在计算机经典的 4x4 复数矩阵乘法问题上，它找到了只需要 48 次标量乘法的新算法，直接打破了 1969 年 Strassen 算法保持了几十年的纪录。相比之前专攻该领域的 AlphaTensor，它不仅更通用，而且在复数域上真正打破了纪录。

研究团队拿它测试了 50 多个涵盖几何、数论和组合数学的公开难题。在不需要人工调参的情况下，大部分实验几小时就能搭好。

结果很夸张：在 75% 的问题上，它独立重现了人类已知最好的解；在 20% 的问题上，它直接刷新了世界纪录。比如困扰数学家 300 多年的「接吻数问题」，它在 11 维空间中找到了 593 个外球的配置，推高了理论下界。

为什么重要

我们认为，AlphaEvolve 最可怕的地方，在于它把「AI 自我递归迭代」这件事情跑通了闭环。

以前大模型只能做表面代码补全，底层芯片、调度器、算子优化还是得靠全世界最贵的那批系统级程序员手动死磕。现在，大模型自己找到的优化，直接被用来训练下一代大模型、造下一代芯片，形成了真正的正反馈飞轮。

对开发者和学术界来说，DeepMind 正在准备学术早期访问计划，并且和 PAIR 团队做了一套交互界面。这意味着以后只要你能设计出靠谱的评估指标，算法搜索这种重体力活就可以彻底交给 AI。

不过它的边界也很明显。它目前极度依赖「可被量化和自动化验证」的环境，比如数学公式或者基准测试。一旦进入需求模糊、没有标准答案的真实商业业务逻辑，这套进化机制就会失灵。

但不管怎么说，从 AlphaTensor 到 AlphaEvolve，Google 证明了把大模型的创造力跟严格的自动化验证器结合，是突破人类智力死角最有效的一条路。