AlphaEvolve发布一年，实力惊人，已成谷歌核心设施一部分

谷歌新近放出的年度成绩单，曝出了多个具有突破性的进展成果。这个呈现进化式编程的智能体，仅仅只用了一年时间，就从论文里的概念，成功落地成核心基建的组成部分，其身影遍布科研、工程、商业等多个不同场景。不少从事相关行业的人士，在看完成绩单之后，都忍不住直呼，这般以递归方式自我改进的推进速度，远远超过了此前所有人的预先判断。

助力前沿科研突破难关

数学领域全新辅助能力

自2025年一开始，这套智能体便在陶哲轩的团队里投入予以使用，它能够迅速测试潜在不等式是不是存在反例，还能验证各类极值猜想。之前几代数学家钻研了几十年尚未解决的旅行商问题等经典组合数学难题，就是它依靠进化搜索寻觅到了人类直觉从来没有触及过的更优解。

它助力团队刷新数论下界相关纪录，极大改善数学家对复杂问题直观判断，使找到严格证明过程少拐诸多弯路，陶哲轩本人作出公开评价，表明此工具为数学家提供极为有用全新研究辅助能力。

基因组学精准度提升

去年，谷歌的那个基因组研究团队通过借助那套智能体，对现有的DNA测序变异检测模型进行了优化，直接就把整体的错误率给砍掉了30%。那位项目高级总监Aaron公开宣称，这样的优化可以 help 研究人员去找到以前被错误所掩盖的致病当中的突变线索。

曾经，好多罕见病的致病位点，因检测精度不够，一直没办法确认，经过优化的模型，将测序后的分析周期，从平均14天，缩减到3天，当下已在12个临床研究项目里投入试用。

量子计算领域效率飞跃

量子电路方案革新

到2025年，处于第三季度时，谷歌量子团队对这套智能体进行接入，之后生成了全新的方案，该方案是关于量子处理器电路设计的，最终经过实测，其错误率相较于通过传统人力进行优化的方案，降低的幅度达到了整整10倍，而此效果远远超过了团队最开始时的预期。

之前，存在17项分子模拟实验，因量子电路错误率过高，一直都没办法顺利跑完。新方案落地以后，所有实验顺利启动，其中，有两项关于新型催化剂的研究，已经取得了阶段性成果。

拓展量子计算落地边界

原来时，因电路稳定性的缘故，量子计算的落地受到了限制，致使诸多工业级模拟任务无法大胆地去尝试测试。而此套智能体所给出的反直觉式设计方案，将一直以来人类工程师依据长期积累而形成的固有设计思路给打破了。

现时，谷歌已将这一优化方案推行至最新的悬铃木量子处理器，单比特门的错误率进一步降低至百万分之三以下，算力可用时长相较于之前提高了2.7倍。

反向优化硬件核心设计

下一代TPU硅片改进

去年底，这套智能体提出了一个电路布局方案，该方案完全不符合人类工程师的直觉，谷歌TPU团队在最初测试时，都觉得此设计不符合常规逻辑，然而，在跑完全流程验证后，却发现它的运行效率比现有最优方案高40%。

谷歌做出最终决定，将这个由AI生成的电路直截了当地集成进下一代TPU的硅片设计里，达成了训练AI的硬件靠着AI自身迭代优化而成的一个闭环，于此同时这还是同业首次把AI自主生成，具备核心电路相关性能从而让其能够实现通用商用，最终落地到通用AI训练芯片当中。

软硬件闭环迭代启动

当下，新一代TPU的流片准备步入收尾时期，预测2027年能够正式进行量产，那时可将大模型训练的单位算力成本直接削减35%，此闭环一旦运行顺畅，后续每一代硬件的迭代速率都会比传统人力设计方式快起码一倍。

AI栈，从最底层的硅片电路起始，展开自主优化，而后向上延伸至模型训练框架，再延伸到核心数据库内核，整个技术栈的全链路效率，正在被逐步刷新。

商业场景落地效果显著

不同行业客户实测成果

有这样一套智能体，被海外的金融科技公司拿来对核心风控大模型进行优化，其训练速度一下子便实现了翻倍，并且该模型在风控识别方面的准确率也有显著的提升，欧洲的物流企业FM运用它来优化全域路线规划，年度总行驶里程直接削减达 15000 公里。

Schrö这家海外计算化学公司，利用它去对分子力场的训练以及推理流程予以加速，整体速度提高了大概4倍，药物研发里的早期筛选周期，从原本的几个月，一下子就被压缩到了几天，极大程度地降低了新药研发前期的试错成本。

落地验证打消此前质疑

一年之前，这套智能体刚刚公开之时刻，在圈内的大多数从业者，都认为它仅仅是一个效果令人惊艳的演示项目，是很难在落地到生产环境的复杂场景当中去的。而一直到今天，谷歌所公开的成绩单，直接回应了所有的质疑，它已然渗透到了将近上百个内部以及外部的生产项目里面了。

无论是面向企业的工业级应用，还是谷歌自身的核心基础设施建设，这一套智能体已然呈现出稳定且可靠的运行成效，并非再是处于实验室时期仅为概念雏形的状态了。

递归自我改进进程提速

行业权威信号接连释放

就在交出这份成绩单的同一天，IEEE刊发了深度长文，把此前仅存在于科幻作品以及AI安全报告里的递归自我改进概念，正式推到了工程落地的现实讨论桌面上。OpenAI联合创始人Jack Clark给出公开预测，到2028年底有超过60%的概率会出现完全自主训练下一代版本的AI系统。

当前，OpenAI对外公布的数据表明，其公司内部，超过八成的代码是由AI系统协助生成的，工程师的整体工作效率提高了20%至40%，AI已然在深度参与自身迭代所需的开发工作。

业内多元观点持续碰撞

学术界之中，出现了不一样的讨论声音，产业界那里，同样出现了不一样的讨论声音，Allen人工智能研究所的研究人员，提出了有损自我改进这样的概念，他们觉得，AI系统复杂度提升之后，自我改进的飞轮，会因为内部摩擦增大，从而出现减速的情况，不会出现那种无限制的指数级加速。

Meta的研究团队也公开宣称，现如今人机协同改善才算是更切合实际同样是更易于把控的发展途径，无需过度担忧纯自主递归改进的短期内落地风险，整套技术的发展范畴，眼下谁也没办法给出绝对明晰的预估。

你认为，依照当下的推进速率，我们同完全自主迭代的AI系统实现落地之间，还需要多长时间呢？