Google 上线 AlphaEvolve：基于 Gemini 的代码优化 Agent 全面开放

如果你做过物流排线、芯片设计或者大模型底层算子优化，肯定体会过那种绝望感：能改的代码方案太多，人的脑子根本试不过来。

大多数时候，工程师只能凭经验挑两三种方案改改看，至于还有没有更好的解法，全凭运气。Google 现在想把这种「碰运气」的苦活彻底包圆。

Google 宣布代码优化与算法发现智能体 AlphaEvolve 在 Google Cloud 上正式全面开放。去年它还在小范围私测，现在任何企业和开发者都能直接在云上调用它来改算法。

让 AI 像进化一样自己刷代码

AlphaEvolve 的底层是 Google 的 Gemini 模型。但它不是普通的写代码助手，它的核心定位是算法发现与代码优化智能体。

用起来说白了就四步：定义、衡量、优化、应用。

你先给它一个基线代码和背景知识，再定一个打分函数，比如运行速度、准确率或者硬件约束。接着 AlphaEvolve 的自动化系统就会在这个规则下疯狂跑循环，生成、测试、再优化，最后把得分最高的代码直接扔进你的生产环境。

在公测之前，各行各业的早期测试客户已经把它跑出了不少夸张的数字。

比如物流巨头 FM Logistic 用它优化仓库拣选路径，在原本就已经极度优化的基准上，把路径效率又拉高了 10.4%，光是仓库员工走路就少跑了 1.5 万公里。

电商平台 Coolblue 拿它优化 28 天需求预测，系统跑了 200 次迭代，通过特征工程和模型组合，把加权绝对百分比误差降低了 5% 以上。

化工巨头巴斯夫（BASF）之前用确定性模型做供应链数字孪生全部失败，这次用 AlphaEvolve 把现有的规划和预测模型提升了超过 80%。

供应链软件商 Kinaxis 则把预测算法精度提升了 22%，运行时间更是砍掉了 90% 以上。欧洲金融科技公司 Klarna 拿它对核心机器学习训练流水线动手，三周内让 AI 探索了近 6000 个候选程序，直接找出了工程师根本想不到的架构改写方式，吞吐量翻了一倍。

这套工具甚至还进了硬核科学领域。橡树岭国家实验室把 AlphaEvolve 接进了 Frontier 超算，让它直接在 AMD GPU 上编译运行候选程序，迭代优化极其复杂的混合精度 GPU 核函数。老道明大学的研究团队则用它建模生物衰老死亡率，在大约 500 次评估中，AI 在完全没有先验知识的情况下，自己重新推导出了 1990 年代生物学文献里的 Kannisto 死亡率模型。

另外，英飞凌在把它用于芯片设计的代理建模，JetBrains 靠它把 IDE 性能提升了 15% 到 20%，库洛游戏也把它拿去搞后端服务器工作负载的优化。

为什么重要

我们认为，AlphaEvolve 的全面开放标志着 AI 编程工具正在发生关键分流。

过去两年，大家看到的 Copilot、Cursor 这类工具，本质上是在做「代码补全」和「初级外包」，帮程序员省去敲键盘的时间。但 AlphaEvolve 盯上的是更高维度的深水区：人类算力和脑力根本覆盖不到的超大算法搜索空间。

对开发者和企业来说，它的价值非常直接。只要你的业务能写出一个清晰的评分指标，比如运行耗时、内存占用或者预测误差，你就可以把代码优化的过程变成一个自动化赛马场。特别是对于游戏后端、量化金融、大模型算子优化这些多挤出 1% 性能就能省几百万成本的领域，这种工具值得立刻立项测试。

但它的门槛和隐患也很明显。AlphaEvolve 极其依赖那个「衡量指标」，如果你的评价函数写得有一点漏洞，AI 很可能会进化出投机取巧但实际有毒的代码。同时，这种跑几千次候选代码的搜索过程，算力开销本身就是一笔不小的数字。

看起来，Google 这一步走得非常精明。它不仅是在卖 Gemini 的模型能力，更是在用这种重度消耗算力的算法进化机制，把高价值的大客户牢牢绑在 Google Cloud 的计算资源上。