谷歌AlphaEvolve正式发布，提供进化代码优化服务

AlphaEvolve 是一个进化式代码优化代理。它从基线算法出发，使用 Gemini 模型生成变异候选程序，根据用户定义的评估函数对每个候选程序评分，并迭代直至搜索收敛到优化后的可读代码。

部署模型将关注点分离：用户的评估器在客户端运行，可在笔记本电脑、私有集群或超级计算机上执行。AlphaEvolve 的 API 生成候选程序，用户环境本地评分后提交结果。工作流包括四个步骤：定义基线种子算法和问题上下文、建立评估函数、运行优化引擎、将结果算法部署到生产环境。

GA 公告包含多个具体客户数据。Klarna 将 ML 训练吞吐量翻倍，三周内探索约 6000 个候选程序，同时保持金融监管所需的比特精确可重现性。JetBrains 的 IDE 代码补全延迟改善 15-20%。FM Logistic 将仓库拣选路线缩短 10.4%，该基线已通过生产优化。Kinaxis 预测准确率提升 22%，运行时间降低 90%。橡树岭国家实验室在 Frontier 超算上运行 AlphaEvolve，为科学计算生成优化的 GPU 内核。

Google 内部使用早于产品发布。AlphaEvolve 已优化下一代 TPU 的硅设计，将 Spanner LSM-tree 压缩的写放大降低 20%，存储占用减少 9%。

JetBrains 的证言给出了最清晰的定位：“工程师仍拥有基准测试、审查和发布决策权。缩小的是搜索空间。”这种分工回答了从业者提出的实际问题。Hacker News 上一位评论者总结了分裂的反应：“有两种反应：‘哦，这对我永远没用’和‘我看到了几个月的工作在一小时内完成’，我认为两者都对。”

决定哪种反应适用的模式是：AlphaEvolve 适用于具有可测量、可自动化评估函数的问题。有清晰基准、评分指标或可验证正确性检查的代码是可优化的；质量依赖人类判断的代码则不可优化。Google 的客户列表反映了这一点：预测管道（WMAPE）、仓库路由（距离）、GPU 内核（吞吐量）、芯片布局（面积和功耗）。每个案例都有一个可优化的数字。

从业者应注意到公告中未包含的内容：所有性能数据均为厂商提供或客户在 Google 博客上发布的证言，无独立基准测试。定价未披露。一位研究过 Evolve 出版物的从业者指出：“所有 *Evolve 出版物都有非常令人印象深刻的结果，但根据我花在已发布信息上的时间，我觉得注意力都集中在 LLM 和 AI 方面，尽管几乎所有报告的结果都是精心设计的环境让 LLM 和进化算法良好工作的结果。”环境设计是实际工作：团队必须构建一个能捕获所有关注属性的评分框架，因为进化搜索会利用评估器未测量的任何漏洞，例如生成快速但测试未捕获的细微错误代码。