北京
Google将DeepMind的一项研究变成了任何企业都能用的代码优化服务。AlphaEvolve现已通过Gemini Enterprise Agent平台开放通用可用性，意味着这个曾发现新矩阵乘法算法的进化计算项目，现在可以直接跑在客户自家的代码仓库上。
AlphaEvolve本质上是一个进化代码优化代理。它从一个基线算法出发，利用Gemini模型生成变异的候选程序，用用户定义的评估函数对每个版本打分，然后不断迭代，直到搜索收敛到优化后且保持人类可读的代码。整个过程不需要用户贡献一行新的算法思路。
让企业客户安心的是其部署模型的隔离设计。评估器始终运行在用户侧的基础设施上——不论是笔记本、私有集群还是超级计算机。AlphaEvolve的API只负责生成候选程序，用户的本地环境给这些程序打分，再把结果传回。代码始终没有离开用户的控制范围，这对于那些代码属于核心资产的金融、能源或科研机构来说尤其关键。
要把这套东西用起来，工程团队需要完成四步：先定义一个种子算法和问题上下文，然后建立一套能衡量关键指标的评分函数，接着启动智能体优化工具链，最后把得到的算法部署到生产环境。Google在产品文档中把这四个步骤描述为接入到验证上线的一条清晰路径。
此次正式发布罕见地夹带了大量客户数据。金融科技公司Klarna用它把机器学习训练吞吐量翻了一倍，在三周内探索了约6000个候选程序，同时保住了金融服务监管要求的比特精确可复现性。JetBrains的IDE代码补全延迟下降了15%到20%，并以工程师的视角点出了最重要的变化：“工程师仍然负责基准测试、审查和发布决策。变小的只是搜索空间。”
物流企业FM Logistic在已经经过生产优化的仓库拣货路径上，又削减了10.4%的行程。供应链软件商Kinaxis则同时看到了预测准确率上升22%和运行时间缩短90%。美国橡树岭国家实验室在百亿亿次超级计算机Frontier上运行AlphaEvolve，让代理为其科学计算工作负载自动生成优化的GPU内核。
Google自己也早就把这项技术用在了内部。根据此次发布引用的数据，AlphaEvolve已为下一代TPU优化了芯片设计，将Google Spanner中LSM树压缩的写放大降低了20%，同时削减了9%的存储空间占用。这些数字从侧面解释了为什么从研究成果到云产品化的决策几乎没有犹豫。
关于这项技术的讨论在开发者社区中一直两极分化。Redis创始人Salvatore Sanfilippo曾经在Redis内部采用过类似方法，当时在Hacker News上一条被反复引用的评论概括了这种分裂：“人们有两种反应：‘哦，这在我这肯定不会有用’和‘我好像已经看到，过去几个月里的工作在一个小时内就完成了’，而我觉得这两种说法都对。”
同一讨论串中另一位用户则点出了多数生产环境会遇到的实际边界：“我最想知道的是，在没有明确定义、一团乱麻的真实代码库上，这套方法到底能翻译成什么。”
AlphaEvolve没有承诺能自动解决所有问题，但它明确画出了一条界限：凡是能够用评分函数严格定义优劣的任务，进化搜索就开始有规模效应。
Klarna的交易系统、JetBrains的编辑器延迟、FM Logistic的路径规划、Kinaxis的预测管线——这些恰好都是评分标准已经存在、以往靠工程师手动打磨的场景。
把搜索扔给智能体，把决策留给工程师，或许正是AlphaEvolve此刻最直白的商业卖点。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
