知识卡片：AlphaEvolve——基于Gemini的算法设计编码智能体

一句话结论

AlphaEvolve 是一个由 Gemini 大语言模型驱动的进化式编码智能体，能够自动发现和优化数学与计算机科学中的高级算法，已在 Google 数据中心调度、芯片设计、AI 训练及数学难题中取得显著成效。

事件概述

2025 年 5 月 14 日，Google DeepMind 发布 AlphaEvolve，这是一个将大语言模型的创造力与自动化评估器结合的智能体，通过进化框架持续改进算法程序。它不仅能解决数学与计算领域的开放问题，还已被实际部署到 Google 的数据中心、TPU 芯片设计以及 Gemini 模型的训练过程中。

方法/产品要点

• 核心能力：基于 Gemini 模型（Gemini Flash 用于广度探索，Gemini Pro 用于深度建议）生成代码形式的算法方案，并通过自动化评估器进行验证、运行和评分。
• 进化框架：维护一个程序数据库，利用进化算法筛选出最有潜力的方案，用于后续迭代生成。
• 可解释性：生成的代码为人类可读的形式（如 Verilog 或 C++），便于调试、预测和部署。
• 通用性：适用于任何能够用算法描述且可自动验证的问题域。

主要结果或产业意义

• 数据中心调度：为 Google 的 Borg 系统发现了一个简单高效的启发式算法，平均持续回收全球 0.7% 的计算资源，已在生产环境中运行超过一年。
• 硬件设计：为 TPU 中的矩阵乘法算术电路提出 Verilog 重写，删除多余位，已集成到即将推出的 TPU 中。
• AI 训练与推理：
  • 优化了 Gemini 架构中的矩阵乘法 kernel，提速 23%，将 Gemini 训练时间减少 1%。
  • 优化 FlashAttention 的底层 GPU 指令，最高提速 32.5%。
• 数学算法发现：
  • 发现 4×4 复矩阵乘法只需 48 次标量乘法，优于 Strassen 1969 年的算法。
  • 在超过 50 个数学开放问题中，约 75% 达到当前最优解，20% 改进了已知最佳解（例如 11 维 kissing number 问题的新下界 593 个外球）。

为什么重要

AlphaEvolve 首次展示了大语言模型不仅能发现单一函数，还能进化整个代码库以设计复杂算法。它已在 Google 核心基础设施中产生实际收益，且具有跨领域迁移的潜力（材料科学、药物发现、可持续发展等）。它将 AI 从辅助编码角色提升为自主算法发明者，可能改变未来计算系统优化的范式。

局限与不确定性

• 待核实：材料的局限性与不确定性未明确提及。可能存在的挑战包括对评估指标设计的依赖、进化过程的计算成本、以及跨领域泛化到非正式验证问题（如自然语言或创意决策）的可行性。
• 待核实：当前仅对选定学术用户开放早期访问计划，大规模商用时间表未知。

可用于图书/PPT/简报的角度

• AI 与基础设施优化：以“0.7% 全球计算资源回收”为切入，说明微小算法改进在超大规模系统中的放大效应。
• 从实验室到生产：展示 AlphaEvolve 如何从数学难题（kissing number）直接落地到芯片设计（TPU）和云端调度（Borg）的完整链条。
• 人机协作新范式：强调 AI 生成的代码可解释、可调试，硬件工程师可在此基础上进一步优化，体现协同而非替代。
• 进化计算与 LLM 的结合：解释“进化算法 + 大语言模型”如何突破单一模型推理的局限，实现持续自主创新。

原始材料

• URL: https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms
• 英文标题: AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms
• 英文关键词: AlphaEvolve, Gemini, large language models, evolutionary algorithm, algorithm discovery, data center scheduling, TPU, matrix multiplication, kissing number problem