第五幕：算法的进化——AlphaEvolve与自动化发现

进入2025年，Alpha家族的演化迎来了又一次范式飞跃。如果说AlphaDev是利用AI来优化人类已有的算法，那么新成员AlphaEvolve则旨在实现一个更宏大的目标：让AI自主地、进化式地发现全新的复杂算法。这标志着Alpha系列从“解决特定问题”的工具，向“创造解决问题的方法”的通用引擎的转变。

1.AlphaEvolve：通用算法发现引擎

AlphaEvolve是一个由Gemini系列大模型驱动的进化式编码智能体。与AlphaDev专注于底层汇编代码或AlphaGeometry专注于几何证明不同，AlphaEvolve被设计成一个

通用型系统，能够应用于数学、工程、硬件设计乃至AI自身训练等多个领域。它的核心创新在于将大型语言模型（LLM）的创造力与自动化评估器相结合，在一个进化框架内运作，从而超越了以往只能发现单一函数的AI，具备了演化整个代码库和开发复杂算法的能力。

其工作机制可以被看作是一场“数字达尔文主义”的实验，代码在这里扮演了“物种”的角色：

1. 初始种群：用户提供一个初始算法和一套用于衡量“好坏”的评估函数。
2. 创造性变异：AlphaEvolve利用一个LLM“合奏团”——由速度快的Gemini Flash负责产生大量多样的想法（广度探索），由能力强的Gemini Pro负责提出深刻的、有洞察力的修改建议（深度探索）——来生成现有算法的变体。
3. 自动化评估与选择：一个严格的自动化评估框架会对所有新生成的程序进行测试和打分。这个框架是AlphaEvolve的关键，它提供了客观、可量化的反馈，彻底规避了传统LLM在代码生成中常见的“幻觉”问题，确保了最终方案的正确性和高质量。
4. 进化迭代：表现优异的方案会被保留在“程序数据库”中，成为下一轮变异的“父代”，而表现不佳的则被淘汰。这个循环不断持续，推动算法朝着最优解的方向持续进化。

这种将LLM的语义理解能力与进化算法的搜索能力相结合的模式，使得AlphaEvolve能够自主地探索广阔的算法空间，发现人类直觉难以触及的解决方案。

2.从理论数学到谷歌数据中心

AlphaEvolve的通用性使其在理论和实践两方面都取得了惊人的成果，充分展示了其作为通用发现引擎的潜力。

在理论数学领域：

• 矩阵乘法新突破：AlphaEvolve发现了一种新的算法，可以用48次标量乘法完成4×4复数矩阵的乘法运算。这打破了自1969年以来由施特拉森（Strassen）算法保持的49次乘法的最佳纪录，解决了这个长达56年的公开问题。
• 解决公开难题：在对超过50个公开数学问题的测试中，AlphaEvolve在75%的情况下重新发现了已知的最优解，并在20%的问题上找到了更优的解决方案。例如，它在著名的“接吻数问题”（kissing number problem）上取得了突破，为11维空间建立了一个新的下界。

在实际工程应用中：

• 优化谷歌数据中心：AlphaEvolve发现了一种简单而高效的启发式算法，用于优化谷歌全球数据中心的作业调度系统（Borg）。该算法已在生产环境中运行超过一年，平均为谷歌回收了0.7%的全球计算资源。这一看似微小的比例，在谷歌的运营规模下意味着巨大的效率提升和成本节约。
• 加速硬件设计：它通过提出Verilog代码重写建议，优化了谷歌下一代TPU（张量处理单元）中一个关键算术电路的设计，移除了不必要的比特位，从而加速了AI专用芯片的设计流程。
• 优化AI自身训练：AlphaEvolve甚至被用来优化其自身所依赖的Gemini模型的训练过程。它通过改进矩阵乘法内核（Pallas kernel）的实现，使该特定内核的速度提升了23%，从而将Gemini的整体训练时间缩短了1%。AlphaEvolve的出现，标志着Alpha家族的探索进入了一个新的元层次。它不再仅仅是解决问题，而是在学习如何创造和进化解决问题的方法本身。这种自动化、通用化的算法发现能力，预示着一个由AI加速科学和工程创新的新时代的到来。