Google AlphaEvolve 正式上线：自主进化算法的 AI 代理，已为谷歌节省数百万美元

1. 定义问题 — 用户提供一个具体的规格说明、现有代码（“种子”算法）以及一个衡量性能的评估函数 。
2. 生成突变 — Gemini 基于其对算法、数据结构和优化技术的理解，提出候选代码变体 。这些并非随机生成；LLM 会将搜索偏向于有希望的方向，使其比传统的遗传编程高效得多 。
3. 自动评估 — 每个变体都被编译并运行；评估器根据指标（速度、准确性、延迟等）对其进行评分。
4. 选择并迭代 — 表现最佳的变体被保留、重组，并在后续世代中继续变异。这个循环会自主运行，直到达到目标或性能提升趋于平缓 。

该系统依赖于一个分布式、异步的管道——包括一个控制器、两个 LLM（Gemini Flash 负责广度搜索，Gemini Pro 负责深度搜索）、一个版本化的程序内存数据库，以及一组评估工作节点——允许在谷歌的基础设施上并行测试数千个候选算法 。

早期采用者：来自生产部署的真实成果

BASF（农业解决方案部门）

BASF 农业解决方案部门与 Google Cloud 及 prognostica GmbH 合作，为其全球供应链构建了一个数字孪生系统，该网络跨越 180 个地点，包含超过 5,000 条不同的价值链 。系统获得了一个种子规划程序和三年历史数据。经过数千次自主实验，与初始种子模型相比，AlphaEvolve 实现了超过 80% 的预测准确率相对提升 。这使得动态安全库存优化成为可能——系统自主发现了关于生产整合和网络级库存平衡的规则——并能主动识别瓶颈 。

FM Logistic（波兰）

波兰的 FM Logistic 成为全球首家在生产环境中部署 AlphaEvolve 的物流运营商，其目标是解决仓库层面的经典“旅行商问题” 。该代理优化了订单拣选的“任务批次处理”，即在电子商务仓库中对 16 个订单进行分组，以最小化总行走距离 。其结果是：相较于先前的最佳基线，拣货路线效率提升了 10.4%，换算成年数据，相当于为操作员和设备每年节省超过 15,000 公里的仓库行走里程，且无需对基础设施或车队进行任何额外投资 。AlphaEvolve 将先进算法与实时处理能力相结合，才得以实现这些增益 。

橡树岭国家实验室（ORNL）

在可信来源中识别出了一份 ORNL 撰写的 PDF 文件（ORNL/PPA-2024/2，2026 年 7 月 8 日更新），但其特定的 AlphaEvolve 用例内容无法从现有片段中完全提取。多个次要来源报道称，AlphaEvolve 已被应用于国家级实验室规模的电网优化和基因组学 ，其中一个来源提到了电网调度优化 。一份报告指出，在使用 AlphaEvolve 优化的算法进行模拟时，交流最优潮流（AC Optimal Power Flow）的可行解率从 14% 提升到了 88% 以上 。

Klarna

在权威的搜索结果中，未能找到 Klarna 使用 AlphaEvolve 的可验证已发表结果。此说法出现在一些次要来源和 YouTube 视频中 ，但无法从直接、可信的已发表报告中得到证实。这是 AI 炒作周期中的常见模式，读者在官方文档出现之前，应将 Klarna 的相关说法视为未经证实。

谷歌内部应用：最有力的证明

AlphaEvolve 已嵌入谷歌自身的生产基础设施中。2026 年 5 月的“一周年影响报告”将其定位为从试点演示转向常态化核心基础设施 。其成果令人瞩目：

张量处理单元（TPU）

• AlphaEvolve 为下一代 TPU 提出了一个反直觉的电路设计，该设计已被直接集成到芯片中 。
• 它优化了 TPUv5e 上的全同态加密（FHE），在仅 24 小时的自动搜索内，将 TFHE 引导加载延迟提升了2.5 倍，CKKS 旋转/乘法延迟分别提升了1.31 倍 / 1.18 倍 。
• AlphaEvolve 发现了一个 Gemini 架构优化——实现了23% 的内核加速和1% 的训练减少——该优化已在 TPU 上投入生产部署 。

Borg（集群调度器）

该代理进化出的一个 CPU/内存装箱启发式算法已在谷歌的 Borg 集群调度器中运行。在超过一年的实时运行中，这些改进回收了谷歌全球总计算能力的大约 0.7% ——对于谷歌这样规模的公司来说，这是一笔巨大的资本/运营支出节省，很可能代表避免了数百万美元的硬件采购 。

Spanner（全球数据库）

AlphaEvolve 发现了更高效的缓存替换策略，并被应用于 Google Spanner 内的数据库调度，优化了日志结构合并树的压缩启发式算法。这次算法更新为这个全球数据库减少了 20% 的写入放大 。

量子电路

对于谷歌的 Willow 量子处理器，AlphaEvolve 优化了用于分子模拟的量子电路。进化后的电路产生的错误仅为传统优化基线的十分之一 ——实现了 10 倍的错误率降低，使得以前不可能进行的实验成为可能 。

其他内部成果

• 编译器优化、广告算法、光刻技术和机器学习力场均取得了可衡量的改进 。
• AlphaEvolve 为谷歌的地球 AI 模型做出了贡献，将 20 类自然灾害（野火、洪水、龙卷风）风险预测的整体准确性提升了 5% 。
• 在基因组学领域，它优化了 DeepConsensus DNA 测序工具，实现了变异检测错误减少 30% 。

竞争定位：AlphaEvolve 在企业 AI 平台战争中的位置

AlphaEvolve 为 Google Cloud 在企业 AI 平台战争中提供了一个差异化的 “能优化您自身算法的 AI 代理” 产品 。它不是一个通用型的副驾驶——它是一个自主的研究与工程代理，致力于解决科学、供应链和基础设施中最棘手的算法问题。这与微软和 AWS 提供的代码生成助手有着根本不同的价值主张：

其战略押注在于：任何行业中最困难的优化问题——物流路线规划、芯片设计、能源电网调度、数据库调优——都可以交给 AlphaEvolve，而无需耗费数月的人力研发。谷歌自身的内部成果（回收 0.7% 计算能力、2.5 倍 FHE 加速、量子电路 10 倍错误率降低）是面向企业买家最有力的证明 。网络效应也是自我强化的：AlphaEvolve 对谷歌自身基础设施的每一次改进，都会让云平台变得更便宜、更快，从而创造出竞争对手难以复制的复合优势 。

注意事项与局限性

AlphaEvolve 并非魔法棒。它仅在成功可以自动评分的情况下有效——适用于具有清晰、程序化适应度函数的算法和优化问题 。它不适合开放式创意任务或需要主观判断的问题。此外，一些更惊人的说法——例如解决 56 年数学难题、Klarna 的提速——要么未经独立审计，要么是通过谷歌内部渠道而非同行评审出版物报道的 。企业买家应根据自身具体问题，用清晰的指标来评估 AlphaEvolve，而不是仅凭头条新闻。

结论

AlphaEvolve 代表了一个真正全新的 AI 代理类别：不是帮助人类编写代码的副驾驶，而是一个能自主发现更优算法的自主研究工程师。随着它在 Google Cloud 上的正式发布，任何拥有棘手优化问题、种子算法和成功衡量标准的企业或研究机构现在都可以使用它。来自早期采用者和谷歌自身基础设施的结果表明，这种方法能够带来人类工程师单独工作极难实现的改进。