Google 上線 AlphaEvolve：基於 Gemini 的程式碼最佳化 Agent 全面開放

如果你做過物流排線、晶片設計或者大模型底層運算元最佳化，肯定體會過那種絕望感：能改的程式碼方案太多，人的腦子根本試不過來。

大多數時候，工程師只能憑經驗挑兩三種方案改改看，至於還有沒有更好的解法，全憑運氣。Google 現在想把這種「碰運氣」的苦活徹底包圓。

Google 宣佈程式碼最佳化與演算法發現智慧體 AlphaEvolve 在 Google Cloud 上正式全面開放。去年它還在小範圍私測，現在任何企業和開發者都能直接在雲上呼叫它來改演算法。

讓 AI 像進化一樣自己刷程式碼

AlphaEvolve 的底層是 Google 的 Gemini 模型。但它不是普通的寫程式碼助手，它的核心定位是演算法發現與程式碼最佳化智慧體。

用起來說白了就四步：定義、衡量、最佳化、應用。

你先給它一個基線程式碼和背景知識，再定一個打分函式，比如執行速度、準確率或者硬體約束。接著 AlphaEvolve 的自動化系統就會在這個規則下瘋狂跑迴圈，生成、測試、再最佳化，最後把得分最高的程式碼直接扔進你的生產環境。

在公測之前，各行各業的早期測試客戶已經把它跑出了不少誇張的數字。

比如物流巨頭 FM Logistic 用它最佳化倉庫揀選路徑，在原本就已經極度最佳化的基準上，把路徑效率又拉高了 10.4%，光是倉庫員工走路就少跑了 1.5 萬公里。

電商平臺 Coolblue 拿它最佳化 28 天需求預測，系統跑了 200 次迭代，通過特徵工程和模型組合，把加權絕對百分比誤差降低了 5% 以上。

化工巨頭巴斯夫（BASF）之前用確定性模型做供應鏈數字孿生全部失敗，這次用 AlphaEvolve 把現有的規劃和預測模型提升了超過 80%。

供應鏈軟體商 Kinaxis 則把預測演算法精度提升了 22%，執行時間更是砍掉了 90% 以上。歐洲金融科技公司 Klarna 拿它對核心機器學習訓練流水線動手，三週內讓 AI 探索了近 6000 個候選程式，直接找出了工程師根本想不到的架構改寫方式，吞吐量翻了一倍。

這套工具甚至還進了硬核科學領域。橡樹嶺國家實驗室把 AlphaEvolve 接進了 Frontier 超算，讓它直接在 AMD GPU 上編譯執行候選程式，迭代最佳化極其複雜的混合精度 GPU 核函式。老道明大學的研究團隊則用它建模生物衰老死亡率，在大約 500 次評估中，AI 在完全沒有先驗知識的情況下，自己重新推匯出了 1990 年代生物學文獻裡的 Kannisto 死亡率模型。

另外，英飛凌在把它用於晶片設計的代理建模，JetBrains 靠它把 IDE 效能提升了 15% 到 20%，庫洛遊戲也把它拿去搞後端伺服器工作負載的最佳化。

為什麼重要

我們認為，AlphaEvolve 的全面開放標誌著 AI 程式設計工具正在發生關鍵分流。

過去兩年，大家看到的 Copilot、Cursor 這類工具，本質上是在做「程式碼補全」和「初級外包」，幫程式設計師省去敲鍵盤的時間。但 AlphaEvolve 盯上的是更高維度的深水區：人類算力和腦力根本覆蓋不到的超大演算法搜尋空間。

對開發者和企業來說，它的價值非常直接。只要你的業務能寫出一個清晰的評分指標，比如執行耗時、記憶體佔用或者預測誤差，你就可以把程式碼最佳化的過程變成一個自動化賽馬場。特別是對於遊戲後端、量化金融、大模型運算元最佳化這些多擠出 1% 效能就能省幾百萬成本的領域，這種工具值得立刻立項測試。

但它的門檻和隱患也很明顯。AlphaEvolve 極其依賴那個「衡量指標」，如果你的評價函式寫得有一點漏洞，AI 很可能會進化出投機取巧但實際有毒的程式碼。同時，這種跑幾千次候選程式碼的搜尋過程，算力開銷本身就是一筆不小的數字。

看起來，Google 這一步走得非常精明。它不僅是在賣 Gemini 的模型能力，更是在用這種重度消耗算力的演算法進化機制，把高價值的大客戶牢牢綁在 Google Cloud 的計算資源上。