DeepMind 釋出 AlphaEvolve：用 Gemini 進化程式碼，打破數學紀錄

如果寫程式碼的 AI 不僅能幫你改 bug，還能反過來重構整個算力底層、甚至自己最佳化自己，世界會變成什麼樣？

Google DeepMind 剛剛端出了 AlphaEvolve。這是一個由大模型驅動的進化式編碼智慧體，專門用來從零發現和最佳化底層演算法。

它不是隻寫幾個簡單函式，而是能進化整套程式碼庫。DeepMind 讓速度最快的 Gemini Flash 負責廣撒網、探索各種思路，再讓能力更強的 Gemini Pro 負責深度推導和給出建議。

生成的每一段程式碼都會被送進自動化評估系統打分。只要一個問題能量化、能被程式碼驗證，這個進化迴圈就會一直跑下去，直到刷出更強的演算法。

默默省下 0.7% 的全球算力

很多人以為這還是實驗室裡的玩具，但事實上，AlphaEvolve 已經在 Google 內部跑了一年多。

它給 Google 的 Borg 叢集排程系統寫了一個簡單的新啟發式演算法。就這麼一處改動，在生產環境持續執行一年，平均給 Google 摳出了 0.7% 的全球計算資源。

對普通公司來說 0.7% 不算什麼，但在 Google 這種體量的資料中心裡，這就是天文數字般的電力和伺服器成本。更妙的是，它寫出來的是人類工程師完全看得懂、好除錯的高可讀程式碼。

它還把手伸進了晶片設計。AlphaEvolve 自動優化了一段 Verilog 程式碼，去掉了矩陣乘法算術電路里沒必要的位元位，這項成果已經被直接做進了下一代 TPU 晶片。

在 AI 自身訓練上，它把 Gemini 的矩陣乘法核心提速了 23%，讓整個 Gemini 模型的訓練時間縮短了 1%。過去需要頂級專家花幾週手動調優的核心，現在讓它跑幾天自動化實驗就能搞定。

連輝達 GPU 極其複雜的底層指令也沒逃過它的手心。它把 Transformer 架構裡的 FlashAttention 核心直接提速了 32.5%。

順手破了困擾數學家幾百年的難題

除了給基礎設施擰螺絲，AlphaEvolve 還在純數學領域刷了榜。

在計算機經典的 4x4 複數矩陣乘法問題上，它找到了只需要 48 次標量乘法的新演算法，直接打破了 1969 年 Strassen 演算法保持了幾十年的紀錄。相比之前專攻該領域的 AlphaTensor，它不僅更通用，而且在複數域上真正打破了紀錄。

研究團隊拿它測試了 50 多個涵蓋幾何、數論和組合數學的公開難題。在不需要人工調參的情況下，大部分實驗幾小時就能搭好。

結果很誇張：在 75% 的問題上，它獨立重現了人類已知最好的解；在 20% 的問題上，它直接重新整理了世界紀錄。比如困擾數學家 300 多年的「接吻數問題」，它在 11 維空間中找到了 593 個外球的配置，推高了理論下界。

為什麼重要

我們認為，AlphaEvolve 最可怕的地方，在於它把「AI 自我遞迴迭代」這件事情跑通了閉環。

以前大模型只能做表面程式碼補全，底層晶片、排程器、運算元最佳化還是得靠全世界最貴的那批系統級程式設計師手動死磕。現在，大模型自己找到的最佳化，直接被用來訓練下一代大模型、造下一代晶片，形成了真正的正反饋飛輪。

對開發者和學術界來說，DeepMind 正在準備學術早期訪問計劃，並且和 PAIR 團隊做了一套互動介面。這意味著以後只要你能設計出靠譜的評估指標，演算法搜尋這種重體力活就可以徹底交給 AI。

不過它的邊界也很明顯。它目前極度依賴「可被量化和自動化驗證」的環境，比如數學公式或者基準測試。一旦進入需求模糊、沒有標準答案的真實商業業務邏輯，這套進化機制就會失靈。

但不管怎麼說，從 AlphaTensor 到 AlphaEvolve，Google 證明了把大模型的創造力跟嚴格的自動化驗證器結合，是突破人類智力死角最有效的一條路。