AlphaEvolve 如何运作：演化，而非生成

AlphaEvolve 结合了大型语言模型（Gemini Pro 与 Gemini Flash）和一个进化计算框架。 其过程是一个模拟自然选择应用于程式码的闭环循环：

1. 定义问题 — 使用者提供一个具体的规格说明、现有程式码（「种子」演算法）以及一个衡量效能的评估函数。
2. 产生突变 — Gemini 提出候选程式码变体，利用其对演算法、资料结构和优化技术的理解。 这些并非随机；LLM 会将搜寻导向有希望的方向，使其远比传统基因规划更为高效。
3. 自动评估 — 每个变体被编译并执行；评估者根据指标（速度、准确度、延迟等）为其评分。
4. 筛选与迭代 — 表现最佳的变体被保留、重组，并在后续世代中继续突变。这个循环会自主运行，直到达成目标或改善陷入停滞。

该系统仰赖一个分散式的非同步管道——一个控制器、两个 LLM（Gemini Flash 负责广度，Gemini Pro 负责深度）、一个版本化的程式记忆资料库，以及大量的评估工作者——使得数千个候选演算法能够在 Google 的基础架构上并行测试。

早期採用者：来自正式部署的真实成果

巴斯夫（BASF，农业解决方案部门）

巴斯夫农业解决方案部门与 Google Cloud 及 prognostica GmbH 合作，为其全球供应链建立了一个数位孪生系统，这是一个横跨 180 个据点、超过 5,000 条独特价值链的复杂网络。 该系统获得了一个种子规划程式及三年的历史资料。经过数千次自主实验，AlphaEvolve 相较于初始种子模型，在预测准确率上实现了超过 80% 的相对改善。 这使得动态安全库存优化成为可能——该系统自主发现了关于生产整合与跨网络库存平衡的规则——并能进行主动的瓶颈辨识。

FM Logistic（波兰）

位于波兰的 FM Logistic 成为全球首家将 AlphaEvolve 部署于生产环境的物流业者，目标是在仓储规模上解决经典的「旅行推销员问题」。 该智能体优化了订单拣选的「任务批处理」——将 16 个订单分组以最小化电商仓库中的总行走距离。 成果：拣货路径效率较先前最佳基准提升了 10.4%，换算下来，每年为操作员和设备节省了超过 15,000 公里的仓库行走里程，且无需为基础建设或车队进行额外投资。 AlphaEvolve 结合了先进演算法与即时处理能力以实现这些效益。

橡树岭国家实验室（ORNL）

一份由 ORNL 撰写的 PDF 文件（ORNL/PPA-2024/2，更新于 2026 年 7 月 8 日）在可信来源中被辨识出来， 但其特定的 AlphaEvolve 应用案例内容无法从现有的摘要中完整撷取。多个次要来源报告称，AlphaEvolve 已在国家级实验室规模下被应用于电网优化和基因体学， 其中一个来源提到了电网调度优化。 一份报告指出，使用 AlphaEvolve 优化过的演算法，在模拟中交流最优潮流（AC Optimal Power Flow）的可行解比率从 14% 提升到了 88% 以上。

Klarna

在权威的搜寻结果中，并未发现 Klarna 使用 AlphaEvolve 的可验证已发表成果。此宣称出现在一些次要来源和 YouTube 影片中， 但无法从直接、可信的已发布报告中获得证实。这是 AI 炒作循环中的常见模式，读者应将对 Klarna 的宣称视为未经证实，直到官方文件出现为止。

Google 内部使用情况：最强而有力的证明

AlphaEvolve 已嵌入 Google 自己的生产基础架构中。2026 年 5 月的一周年影响报告指出，它正从试点示范迈向核心基础架构的常规应用。 其成果十分惊人：

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，并已直接整合至矽晶圆中。
• 它优化了 TPUv5e 上的全同态加密（FHE），在仅 24 小时的自动搜寻后，将 TFHE 的引导程式延迟改善了 2.5 倍，并将 CKKS 的旋转/乘法延迟分别改善了 1.31 倍 / 1.18 倍。
• AlphaEvolve 发现的一项 Gemini 架构优化——实现了 23% 的核心加速和 1% 的训练缩减——已部署在 TPU 的生产环境中。

Borg（丛集排程器）

该智能体进化了一个 CPU/记忆体装箱启发式演算法，并已在 Google 的 Borg 丛集排程器中运行。经过超过一年的实际运作，这些改善收回了 Google 全球总运算容量约 0.7%——对于 Google 这样规模的公司而言，这代表着数百万美元的硬体采购节省。

Spanner（全球资料库）

AlphaEvolve 发现了更高效的快取置换策略，并被应用于 Google Spanner 的资料库排程，优化了日志结构化合并树（LSM-tree）的压缩启发式演算法。这项演算法更新为这个全球资料库降低了 20% 的写入放大率。

量子电路

对于 Google 的 Willow 量子处理器，AlphaEvolve 为分子模拟优化了量子电路。进化后的电路产生的错误仅为传统优化基准的十分之一——错误率降低 10 倍，得以进行以往不可能的实验。

额外的内部成果

• 编译器优化、广告演算法、微影制程和机器学习力场都看到了可衡量的改进。
• AlphaEvolve 为 Google 的地球 AI 模型做出了贡献，将 20 个自然灾害风险预测类别（野火、洪水、龙卷风）的整体准确率提升了 5%。
• 在基因体学中，它优化了 DeepConsensus DNA 定序工具，实现了30% 的变异检测错误率降低。

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 「能优化你自有演算法的 AI 智能体」 产品。 它不是通用的辅助工具——它是一个自主的研究与工程智能体，专门处理科学、供应链和基础架构中最棘手的演算法问题。这与 Microsoft 和 AWS 提供的程式码生成辅助工具有本质上的不同：

其策略性赌注在于，任何产业中最困难的优化问题——物流路径规划、晶片设计、能源电网排程、资料库调优——都可以交给 AlphaEvolve，而无需耗费数月的人力研发。Google 自身的内部成果（收回 0.7% 的运算资源、2.5 倍的 FHE 加速、量子电路错误率降低 10 倍）是企业买家最强而有力的证明。 网络效应也正在自我强化：AlphaEvolve 对 Google 自身基础架构的每一项改善，都使云端平台变得更便宜、更快速，创造出竞争对手难以复制的复合优势。

注意事项与限制

AlphaEvolve 并非万灵丹。它只适用于成功可以被自动评分的问题——那些拥有明确、可程式化适应度函数的演算法和优化问题。 它不适合开放性创意任务或需要主观人类判断的问题。此外，一些较为惊人的宣称——如破解 56 年数学难题、Klarna 的加速——要么未经独立稽核，要么是通过 Google 内部渠道而非同侪审查的出版品所报告。 企业买家应根据自身有明确指标的具体问题来评估 AlphaEvolve，而非仅凭标题宣称。

结论

AlphaEvolve 代表了一个真正全新的 AI 智能体类别：它不是一个帮助人类撰写程式码的辅助工具，而是一个能自己发现更佳演算法的自主研究工程师。随着它在 Google Cloud 上的全面上市，任何拥有艰难优化问题、种子演算法以及衡量成功方法的组织，现在都能使用它。来自早期採用者以及 Google 自身基础架构的成果表明，这种方法能够带来人类工程师独自努力极难实现的改善。

AlphaEvolve 如何运作：演化，而非生成

AlphaEvolve 结合了大型语言模型（Gemini Pro 与 Gemini Flash）和一个进化计算框架。 其过程是一个模拟自然选择应用于程式码的闭环循环：

1. 定义问题 — 使用者提供一个具体的规格说明、现有程式码（「种子」演算法）以及一个衡量效能的评估函数。
2. 产生突变 — Gemini 提出候选程式码变体，利用其对演算法、资料结构和优化技术的理解。 这些并非随机；LLM 会将搜寻导向有希望的方向，使其远比传统基因规划更为高效。
3. 自动评估 — 每个变体被编译并执行；评估者根据指标（速度、准确度、延迟等）为其评分。
4. 筛选与迭代 — 表现最佳的变体被保留、重组，并在后续世代中继续突变。这个循环会自主运行，直到达成目标或改善陷入停滞。

该系统仰赖一个分散式的非同步管道——一个控制器、两个 LLM（Gemini Flash 负责广度，Gemini Pro 负责深度）、一个版本化的程式记忆资料库，以及大量的评估工作者——使得数千个候选演算法能够在 Google 的基础架构上并行测试。

早期採用者：来自正式部署的真实成果

巴斯夫（BASF，农业解决方案部门）

巴斯夫农业解决方案部门与 Google Cloud 及 prognostica GmbH 合作，为其全球供应链建立了一个数位孪生系统，这是一个横跨 180 个据点、超过 5,000 条独特价值链的复杂网络。 该系统获得了一个种子规划程式及三年的历史资料。经过数千次自主实验，AlphaEvolve 相较于初始种子模型，在预测准确率上实现了超过 80% 的相对改善。 这使得动态安全库存优化成为可能——该系统自主发现了关于生产整合与跨网络库存平衡的规则——并能进行主动的瓶颈辨识。

FM Logistic（波兰）

位于波兰的 FM Logistic 成为全球首家将 AlphaEvolve 部署于生产环境的物流业者，目标是在仓储规模上解决经典的「旅行推销员问题」。 该智能体优化了订单拣选的「任务批处理」——将 16 个订单分组以最小化电商仓库中的总行走距离。 成果：拣货路径效率较先前最佳基准提升了 10.4%，换算下来，每年为操作员和设备节省了超过 15,000 公里的仓库行走里程，且无需为基础建设或车队进行额外投资。 AlphaEvolve 结合了先进演算法与即时处理能力以实现这些效益。

橡树岭国家实验室（ORNL）

一份由 ORNL 撰写的 PDF 文件（ORNL/PPA-2024/2，更新于 2026 年 7 月 8 日）在可信来源中被辨识出来， 但其特定的 AlphaEvolve 应用案例内容无法从现有的摘要中完整撷取。多个次要来源报告称，AlphaEvolve 已在国家级实验室规模下被应用于电网优化和基因体学， 其中一个来源提到了电网调度优化。 一份报告指出，使用 AlphaEvolve 优化过的演算法，在模拟中交流最优潮流（AC Optimal Power Flow）的可行解比率从 14% 提升到了 88% 以上。

Klarna

在权威的搜寻结果中，并未发现 Klarna 使用 AlphaEvolve 的可验证已发表成果。此宣称出现在一些次要来源和 YouTube 影片中， 但无法从直接、可信的已发布报告中获得证实。这是 AI 炒作循环中的常见模式，读者应将对 Klarna 的宣称视为未经证实，直到官方文件出现为止。

Google 内部使用情况：最强而有力的证明

AlphaEvolve 已嵌入 Google 自己的生产基础架构中。2026 年 5 月的一周年影响报告指出，它正从试点示范迈向核心基础架构的常规应用。 其成果十分惊人：

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，并已直接整合至矽晶圆中。
• 它优化了 TPUv5e 上的全同态加密（FHE），在仅 24 小时的自动搜寻后，将 TFHE 的引导程式延迟改善了 2.5 倍，并将 CKKS 的旋转/乘法延迟分别改善了 1.31 倍 / 1.18 倍。
• AlphaEvolve 发现的一项 Gemini 架构优化——实现了 23% 的核心加速和 1% 的训练缩减——已部署在 TPU 的生产环境中。

Borg（丛集排程器）

该智能体进化了一个 CPU/记忆体装箱启发式演算法，并已在 Google 的 Borg 丛集排程器中运行。经过超过一年的实际运作，这些改善收回了 Google 全球总运算容量约 0.7%——对于 Google 这样规模的公司而言，这代表着数百万美元的硬体采购节省。

Spanner（全球资料库）

AlphaEvolve 发现了更高效的快取置换策略，并被应用于 Google Spanner 的资料库排程，优化了日志结构化合并树（LSM-tree）的压缩启发式演算法。这项演算法更新为这个全球资料库降低了 20% 的写入放大率。

量子电路

对于 Google 的 Willow 量子处理器，AlphaEvolve 为分子模拟优化了量子电路。进化后的电路产生的错误仅为传统优化基准的十分之一——错误率降低 10 倍，得以进行以往不可能的实验。

额外的内部成果

• 编译器优化、广告演算法、微影制程和机器学习力场都看到了可衡量的改进。
• AlphaEvolve 为 Google 的地球 AI 模型做出了贡献，将 20 个自然灾害风险预测类别（野火、洪水、龙卷风）的整体准确率提升了 5%。
• 在基因体学中，它优化了 DeepConsensus DNA 定序工具，实现了30% 的变异检测错误率降低。

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 「能优化你自有演算法的 AI 智能体」 产品。 它不是通用的辅助工具——它是一个自主的研究与工程智能体，专门处理科学、供应链和基础架构中最棘手的演算法问题。这与 Microsoft 和 AWS 提供的程式码生成辅助工具有本质上的不同：

其策略性赌注在于，任何产业中最困难的优化问题——物流路径规划、晶片设计、能源电网排程、资料库调优——都可以交给 AlphaEvolve，而无需耗费数月的人力研发。Google 自身的内部成果（收回 0.7% 的运算资源、2.5 倍的 FHE 加速、量子电路错误率降低 10 倍）是企业买家最强而有力的证明。 网络效应也正在自我强化：AlphaEvolve 对 Google 自身基础架构的每一项改善，都使云端平台变得更便宜、更快速，创造出竞争对手难以复制的复合优势。

注意事项与限制

AlphaEvolve 并非万灵丹。它只适用于成功可以被自动评分的问题——那些拥有明确、可程式化适应度函数的演算法和优化问题。 它不适合开放性创意任务或需要主观人类判断的问题。此外，一些较为惊人的宣称——如破解 56 年数学难题、Klarna 的加速——要么未经独立稽核，要么是通过 Google 内部渠道而非同侪审查的出版品所报告。 企业买家应根据自身有明确指标的具体问题来评估 AlphaEvolve，而非仅凭标题宣称。

结论

AlphaEvolve 代表了一个真正全新的 AI 智能体类别：它不是一个帮助人类撰写程式码的辅助工具，而是一个能自己发现更佳演算法的自主研究工程师。随着它在 Google Cloud 上的全面上市，任何拥有艰难优化问题、种子演算法以及衡量成功方法的组织，现在都能使用它。来自早期採用者以及 Google 自身基础架构的成果表明，这种方法能够带来人类工程师独自努力极难实现的改善。