近日，DeepMind发布技术报告AlphaEvolve: A coding agent for scientific and algorithmic discovery。AlphaEvolve将程序结构与问题搜索紧密绑定，通过演化机制不断迭代，具备发现新知识、优化系统、改进算法的能力。
科学发现和算法创新往往涉及反复试验、探索、验证和回溯的复杂过程。随着大语言模型（LLMs）能力的飞跃，人们希望能借助其在生成、推理、代码理解方面的优势，推动科学发现和工程优化的自动化。然而，现有LLM系统虽然已在生成假设、设计实验等方面取得进展，但要实现完全自主的新科学发现仍极具挑战。
为解决这一挑战，DeepMind提出AlphaEvolve：一个结合演化算法与LLM能力的自动化代码进化代理系统，能够在给定问题与评估函数的前提下，自动生成、修改、评估和演化代码，从而改进算法性能、优化基础设施或提出全新科学发现。
一、AlphaEvolve架构与工作机制
AlphaEvolve以演化计算为基础架构核心，其整体流程为：人类用户定义问题与评估机制，提供初始可执行代码块和上下文信息；系统通过一组LLM（如Gemini 2.0 Pro与Flash）的协作，生成候选代码修改（diff）；新代码提交评估器进行自动运行与打分；优质结果反馈到数据库，成为下一轮演化的种子。
演化流程包含以下几个关键模块：
- 任务定义与评估函数（evaluate）：用户需提供可机器自动执行的评估函数ℎ，用于对任意候选程序输出一个标量或多维得分，作为演化方向的指导。
- 程序演化标记：AlphaEvolve支持代码标注演化区域（如
# EVOLVE-BLOCK-START与# EVOLVE-BLOCK-END），可灵活嵌入现有代码。 - 提示工程与上下文构建：LLM输入提示由系统采样先前成功程序，结合问题背景、人类注释、评估结果等构建，甚至允许元提示（meta-prompt）自我优化。
- 代码修改与生成：系统要求LLM以“搜索-替换”diff格式生成修改方案，便于精确追踪与代码审计。
- 评估流程：可配置多级评估、早期筛除、并行分布式执行以及LLM辅助打分等策略，提高效率与稳健性。
- 演化数据库与精英保留：采用结合MAP-Elites与“岛屿模型”的机制，平衡开拓性探索与对已有优质程序的优化。
二、典型应用场景与成果
AlphaEvolve展现出广泛的适用性，其应用范围涵盖算法设计、数学探索以及工业级系统优化。主要成果如下：
- 矩阵乘法算法改进：通过张量分解方法寻找低秩表示，AlphaEvolve在14个矩阵乘法任务上打破了已有最优解，包括4×4复数矩阵乘法首次突破Strassen算法提出56年来的记录，从49个乘法下降到48个。
- 数学问题求解：在50多个数学构造问题中，AlphaEvolve在约75%任务中重新发现已有最优构造，在约20%任务中发现新解，如Erdős最小重叠问题、11维Kissing Number提升至593，均为新SOTA。
- 工业系统优化：
- 在Google集群管理中改进了资源调度启发式函数，在生产系统中实现0.7%的资源回收；
- 为Gemini模型的矩阵乘法核自动生成最优tiling策略，平均提升23%核运行速度；
- 优化TPU乘法电路Verilog代码，验证正确性后用于后续芯片；
- 在XLA编译生成的FlashAttention代码中进行直接优化，FlashAttention加速32%，前后处理加速15%。
三、技术创新与对比优势
相较前代系统如FunSearch，AlphaEvolve具备如下关键改进：
- 演化整个代码文件而非单函数；
- 使用强大LLM，支持多语言编程、多目标优化；
- 大幅减少LLM调用次数，提高样本效率；
- 支持复杂评估函数（可耗时数小时），并行计算显著提升迭代速度；
- 支持长上下文输入与上下文自我演化（meta prompt）。
其能力远超传统演化编程（依赖手写变异规则）和AlphaTensor等特化系统，适用于更广泛的问题域与真实世界任务。
四、消融实验验证各模块贡献
消融实验在两个典型任务中展开：低秩张量分解与Kissing Number问题。结果表明，去除任何模块（如演化机制、上下文提示、元提示、自定义大模型）都会显著下降性能。尤其是无演化机制、无完整代码演化的情况，性能下滑最为严重，进一步印证AlphaEvolve多模块协同设计的必要性。
五、相关工作对比与方法地位
AlphaEvolve是LLM引导下的演化编码系统，在继承经典进化编程思想（如基因编程）的基础上，突破了手动设计变异算子的限制，自动构建搜索与优化策略。相比AlphaTensor等特化系统，其适用面更广；相比AlphaCode等以语言生成为核心的系统，其结合自动评估、演化数据库与多轮迭代探索，显示出更强的问题解决能力。
它同时也补充了如AI Co-Scientist等以自然语言假设生成为主的系统，在代码级构造问题求解、自动评估和逻辑可靠性方面展现出强大优势。
六、总结与前景展望
AlphaEvolve展示了前沿大模型结合演化策略在科学与工程问题上的强大潜力。在无需大量人类干预的情况下，它能发现新的科学解法、改进关键工业组件、并生成高质量的程序结构。其提出的“程序即解法”的范式，提供了一种比直接解答更具通用性和灵活性的探索路径。
未来，它可以作为通用科学探索引擎，被集成进自动化研究流程、编译器优化框架，或嵌入工程研发流程中，与人类科学家实现真正的协同发现。