Google DeepMind推出了AI编程智能体AlphaEvolve，利用Gemini模型进化程序，解决复杂问题。它通过维护候选程序数据库和评估函数来优化代码，已在数学、数据中心优化和AI训练加速等领域取得显著成果。例如，发现更高效的矩阵乘法算法，优化Google Borg任务调度系统，并提升内核平铺和FlashAttention性能。尽管尚未完全开源，但AlphaEvolve展示了LLM在进化算法中的巨大潜力，引发社区对开源策略和结果可验证性的讨论。

💡AlphaEvolve核心在于利用LLMs生成和优化代码，通过维护候选程序数据库，结合提示词生成新程序，并使用用户提供的评估函数进行评分，循环迭代以找到最优解。

🧮在数学问题上，AlphaEvolve在超过75%的案例中重新发现了当前最优解，并在20%的案例中找到了更优的解决方案，例如发现了一种更高效的4x4矩阵乘法算法。

🏢AlphaEvolve为Google的Borg任务调度系统开发了一种新的启发式函数，性能优于深度强化学习方法，帮助Google回收了全球0.7%的计算资源。

🚀在AI训练加速方面，AlphaEvolve在内核平铺（kernel tiling）和FlashAttention操作中，分别实现了23%和32%的性能提升。

Google DeepMind 推出了 AlphaEvolve，这是一个 AI 编码智能体，它利用 Gemini 模型（Flash 和 Pro）生成并演化程序，从而解决各类复杂问题。该系统使用候选程序数据库和一个评估函数来指导进化过程。它可以解决的问题由用户指定的评估函数定义，该函数提供标量指标。AlphaEvolve 已经展示了显著的成果，重新发现了数学领域最先进的算法，并在 Google 的内部系统（如 Borg 任务编排器和 AI 训练操作，例如内核平铺和 FlashAttention）中发现了更高效的解决方案，从而实现了计算资源回收和训练性能加速。虽然该研究成果尚未完全开源，但它突显了在进化算法中使用 LLM 的潜力，在科学研究和工程实践中具有广泛的应用前景。在 Hacker News 和 X 等平台上的社区反应普遍对结果持积极态度，但一些专家对 DeepMind 有限的代码开源历史表示担忧，这影响了结果的可验证性。

Google DeepMind 发布 AI 编程智能体 AlphaEvolve

Google DeepMind 近期发布了一篇论文，介绍了其全新 AI 编程智能体 AlphaEvolve。这一智能体利用大型语言模型（LLMs）在硬件设计、数据中心运营和 AI 训练等多个领域中发现和优化算法，展现了强大的通用性和潜力。

AlphaEvolve 核心功能与应用

AlphaEvolve 通过集成多个大型语言模型（包括 Gemini Flash 和 Gemini Pro）生成并优化程序，以解决用户定义的问题。用户需提供一个评估函数，返回一组标量指标，用于衡量程序性能。AlphaEvolve 在多个领域取得了显著成果：

数学问题：在超过 50 个数学问题中，AlphaEvolve 在 75% 的案例中重新发现了当前最优解，并在 20% 的案例中找到了更优的解决方案。例如，它发现了一种更高效的 4x4 矩阵乘法算法。数据中心优化：AlphaEvolve 为 Google 的 Borg 任务调度系统开发了一种新的启发式函数，性能优于深度强化学习方法，帮助 Google 回收了全球 0.7% 的计算资源。AI 训练加速：在内核平铺（kernel tiling）和 FlashAttention 操作中，AlphaEvolve 分别实现了 23% 和 32% 的性能提升。

“AlphaEvolve 的通用性使其可应用于任何能以算法描述且可自动验证的场景。我们相信它将在材料科学、药物发现、可持续发展和更广泛的技术与商业领域中带来变革。” —— Google DeepMind

AlphaEvolve 架构与工作原理

AlphaEvolve 的核心在于利用 LLMs 生成和优化代码。其架构如下：

图片来源：AlphaEvolve 白皮书

工作流程：
系统维护一个候选程序数据库，存储生成的高性能程序。将候选程序作为上下文输入 LLM，结合描述程序演化方式的提示词（Prompt），生成新程序。通过用户提供的评估函数对新程序进行评分，优质程序存入数据库。循环迭代，直到找到最优解。

这一流程使 AlphaEvolve 能够持续优化代码，适配不同技术栈和场景需求。

社区反响与争议

Hacker News 上的讨论对 AlphaEvolve 普遍持正面评价，并提及 Google 在 AI 领域的深厚积累：

“人们常忘记 Google 是 MuZero 的缔造者。MuZero 是本十年最重要的 AI 论文，展示了模型如何学会搜索，远超 Transformer 的影响力。” —— Hacker News 用户

然而，牛津大学 AI 研究员 Simon Frieder 在 X 平台上指出，DeepMind 的开源策略存在不足：

“DeepMind 的发布在科学上很有趣，但开源代码的历史不佳。例如，AlphaFold2 未提供训练脚本，AlphaGeometry 存在 bug，导致社区开发了 OpenFold 和 Newclid 等替代品。AlphaEvolve 可能也隐藏 bug，影响结果可信度。尽管有自动评估器，但在复杂场景下验证结果仍具挑战性。”

当前状态与未来展望

目前，AlphaEvolve 尚未公开，学术研究者可申请早期访问权限。Google 表示，其通用性使其不仅局限于数学和计算领域，还可扩展到材料科学、药物发现等跨学科应用。

AlphaEvolve 的发布标志着 AI 在算法优化领域的又一突破，为开发者提供了从前端到复杂工程问题的新工具。然而，其开源程度和结果可验证性仍是社区关注的焦点。未来，随着更多垂直领域的应用和开源支持，AlphaEvolve 有望推动 AI 与编程的深度融合。

关键词：AlphaEvolve, Google DeepMind, AI 编程, 算法优化, 大型语言模型, 前端开发, 数据中心, AI 训练