Google DeepMind 上周发了一篇更新，说的是 AlphaEvolve 这一年的进展。
https://deepmind.google/blog/alphaevolve-impact/
AlphaEvolve 是一个由 Gemini 驱动的编程智能体，核心能力是自动设计和优化算法。
但"优化算法"这四个字，听起来很技术，实际上覆盖的范围极广。
算法是什么？
是排班表、是路由规划、是芯片电路、是药物筛选模型、是电网调度……几乎所有需要"找到最优解"的问题，背后都有算法在跑。
所以 AlphaEvolve 能做的事，本质上是：在人类穷举不过来的解空间里，帮你找到更好的答案。
DeepMind 这次公布的案例，横跨了好几个完全不同的领域，值得逐一看一下。
基因组学方向，AlphaEvolve 优化了 Google Research 的 DeepConsensus 模型，把 DNA 测序的变异检测错误率降低了 30%。
合作方 PacBio 的说法是，这个精度提升，可能让科学家发现此前被遮蔽的致病突变。
电网优化方向，它处理的是"交流最优潮流"问题，这是电力系统里的经典难题。
优化之后，图神经网络找到可行解的比例从 14% 跳到了 88% 以上，大幅减少了后续昂贵的人工处理步骤。
量子计算方向，AlphaEvolve 为 Google 的 Willow 量子处理器设计了量子电路，错误率比之前的最优基准低了 10 倍。这直接让一些原本跑不了的分子模拟成为可能。
数学研究方向，它和菲尔兹奖得主陶哲轩合作，处理了 Erdős 问题，还刷新了旅行商问题和 Ramsey 数的下界记录。
陶哲轩的评价是："这类工具让我们能快速验证不等式是否有反例，大幅提升了数学直觉，也让严格证明变得更容易找到。"
AlphaEvolve 现在已经是 Google 内部基础设施的正式组件，这一点比所有外部案例都更值得关注。
它参与了下一代 TPU 的设计。
Jeff Dean 的描述是："它提出了一个反直觉但极其高效的电路设计，直接被集成进了下一代 TPU 的硅片里。"
换句话说，一个 AI 系统，正在帮助设计运行 AI 的芯片。
这个循环，已经真实发生了。
另外，它还优化了 Google Spanner 数据库的日志结构合并树压缩策略，把"写放大"比率降低了 20%。
还顺带给编译器找到了新的优化路径，让软件存储占用减少了近 9%。
这次 DeepMind 也公布了一批商业合作案例，几个数字比较直观：
公司 | 领域 | 效果 |
|---|---|---|
Klarna | 金融，Transformer 模型训练 | 训练速度翻倍，模型质量同步提升 |
FM Logistic | 物流路由优化 | 效率提升 10.4%，每年少跑 15,000 公里 |
WPP | 广告模型优化 | 精度比人工优化提升 10% |
Schrödinger | 药物和材料科学 | 机器力场训练和推理速度提升约 4 倍 |
AlphaEvolve 的工作方式，其实是在做一件人类科学家一直在做、但速度极慢的事：在巨大的可能性空间里，通过不断尝试和反馈，找到更好的结构。
进化本身就是这个逻辑。
只是生物进化用的是几百万年，AlphaEvolve 用的是几天，甚至几小时。
有意思的地方在于，它找到的答案，往往是"反直觉"的。
TPU 电路那个案例就是典型，人类工程师看到那个设计，第一反应可能是"这怎么可能对"，但它就是对的，而且更高效。
这说明一件事：我们对"好的解"的直觉，是被人类认知边界塑造的。
在那个边界之外，存在大量我们从未想到过的答案。
AlphaEvolve 现在做的，就是系统性地越过这条边界。
一年前它还是个研究项目，现在已经在 TPU 硅片、数据库、电网、基因测序、量子电路里留下了实际痕迹。
再过一年，这份清单会更长。