AlphaEvolve: 我们的Gemini驱动编程助手如何在各领域扩展影响力
一年前，我们推出了[AlphaEvolve](https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/)，这是一款用于设计先进算法的Gemini驱动编程助手。我们证明了AlphaEvolve能够在数学和计算机科学的开放问题上帮助发现新解，并优化算法，这些算法随后被部署在谷歌基础设施的关键部分。
如今，算法已经渗透到生活的方方面面，AlphaEvolve的成就范围更加广泛。从帮助解释自然界的物理现象到驱动电力网络和计算基础设施，AlphaEvolve可以加速各个领域科学家和企业的进步。
我们很高兴分享AlphaEvolve到目前为止所产生的一系列重要影响。
### 推动社会影响和可持续发展
AlphaEvolve在健康和可持续发展研究中发现了关键的联系。
在基因组学领域，AlphaEvolve被用来改进[DeepConsensus](https://www.nature.com/articles/s41587-022-01435-7)，这是谷歌研究开发的一种纠正DNA测序错误的模型，成功实现了变异检测错误减少30%的效果。这些改进帮助[PacBio](https://www.pacb.com/blog/improving-hifi-sequencing-accuracy-with-google-deepconsensus-and-alphaevolve/)的科学家更准确、更经济地分析遗传数据。
> “谷歌团队通过AlphaEvolve发现的解决方案为我们的测序仪器解锁了显著更高的准确率。对于研究人员来说，这种更高质量的数据可能使得以前隐藏的致病突变得以被发现。” — PacBio高级总监Aaron Wenger
在电网优化中，AlphaEvolve被应用于[AC最优潮流问题](https://arxiv.org/abs/2403.17660)，将训练的图神经网络模型找到可行解决方案的能力从14%提升到超过88%，显著减少了电网在后处理步骤中所需的成本。
在地球科学领域，AlphaEvolve将复杂的地理空间数据转化为更可靠、可操作的见解。通过帮助自动化[Earth AI](https://ai.google/earth-ai/)模型的优化，预测自然灾害风险的总体准确度提高了5%。
### 推进研究前沿
AlphaEvolve作为强大的研究伙伴，加速了科学领域的发现。
在量子物理学领域，AlphaEvolve的优化使得在[谷歌的Willow量子处理器](https://blog.google/innovation-and-ai/technology/research/google-willow-quantum-chip/)上运行复杂的分子模拟成为可能，提出了错误率比之前传统优化基准低10倍的量子电路。这促成了对量子计算的前所未有的实验展示，并标志着一个未来，AlphaEvolve将帮助发现超越经典计算机能力的算法。
与著名数学家Terence Tao的合作中，系统帮助解决了[Erdős问题](https://terrytao.wordpress.com/2025/12/08/the-story-of-erdos-problem-126/)。
> “像AlphaEvolve这样的工具为数学家们提供了非常有用的新能力。特别是对于优化问题，我们现在可以快速测试潜在的不等式以寻找反例或确认我们对极值的看法，这极大改善了我们对这些问题的直觉，并使我们更容易找到严谨的证明。” — UCLA数学教授Terence Tao
AlphaEvolve在经典数学挑战中也创造了记录，包括提高[旅行 salesman问题](https://arxiv.org/abs/2509.18057)和[Ramsey数](https://arxiv.org/abs/2603.09172)的下限。
### 改善AI基础设施
AlphaEvolve已经从试点测试阶段毕业，成为我们基础设施的核心组件。它被作为常规工具用于优化下一代[TPUs](https://cloud.google.com/tpu?e=48754805)的设计。此外，它还帮助发现了更有效的[cache替换策略](https://arxiv.org/abs/2602.22425)，在两天内完成了之前需要几个月人力密集努力的工作。
> “AlphaEvolve开始优化我们人工智能堆栈的硬件最低层。它提出了一个设计意外但高效的电路，直接集成到我们下一代TPU的硅片中。这是TPU大脑帮助设计下一代TPU身体的最新实例。” — 谷歌DeepMind首席科学家Jeff Dean
### 扩展商业应用
我们现在与[谷歌云](https://cloud.google.com/blog/products/ai-machine-learning/alphaevolve-on-google-cloud?e=48754805)合作，将AlphaEvolve的强大功能引入各行业的商业企业。
* 在金融服务领域，[Klarna](https://engineering.klarna.com/beyond-prompting-how-algorithmic-evolution-doubled-our-training-speed-8f874af3080d)使用该系统优化其最大的一款transformer模型—在提高模型质量的同时，使训练速度翻倍。
* 在半导体制造中，[Substrate](https://substrate.com/information-to-atoms)将AlphaEvolve应用于其计算光刻框架，跑出了大幅提升的运行速度，能够进行显著尺寸更大的先进半导体模拟。
* 在物流领域，[FM Logistic](https://cloud.google.com/blog/products/ai-machine-learning/how-fm-logistic-tackled-the-traveling-salesman-problem-at-warehouse-scale-with-alphaevolve?e=48754805)借助此技术优化了诸如旅行商问题的复杂路径挑战，比之前经过大量优化的解决方案提高了10.4%的路径效率，年节省超过15,000公里的行驶距离。
* 在广告和市场营销中，[WPP](https://research.wpp.com/blog/cracking-the-code-of-campaign-success-with-googles-alphaevolve-agent/)使用AlphaEvolve优化了AI模型组件，处理复杂高维的活动数据，相较于其竞争的手动模型优化，准确率提高了10%。
* 在计算材料和生命科学中，[Schrödinger](https://cloud.google.com/blog/products/ai-machine-learning/schrodinger-alphaevolve-molecular-discovery-accelerates-4x)应用AlphaEvolve实现了机器学习力场（MLFF）训练和推理约4倍的加速。
> “AlphaEvolve使我们能够以前所未有的速度和效率探索更大的化学空间。更快的MLFF推理对业务产生了实际影响，缩短了药物发现、催化剂设计和材料开发的研发周期，使企业能够在几天内筛选分子候选者，而不是几个月。” — Schrödinger的技术负责人Gabriel Marques
### AlphaEvolve的未来
过去一年显示了AlphaEvolve如何迅速成为一款通用系统。它正在证明下一个突破将由能够学习、进化和优化自身的算法驱动。展望未来，我们对扩展这些能力并将这项技术的强大功能应用于更广泛的外部挑战充满期待。
### 致谢
AlphaEvolve的开发者包括Matej Balog、Alexander Novikov、Ngân Vũ、Marvin Eisenberger、Emilien Dupont、Po-Sen Huang、Adam Zsolt Wagner、Sergey Shirobokov、Borislav Kozlovskii以及Francisco J. R. Ruiz等团队成员。此项研究作为利用AI进行算法发现的广泛计划的一部分而进行。初始开发完成后，Aja Huang、Anton Kovsharov、Alexey Cherepanov、Anindya Basu、Becky Evangelakos、Jamie Smith和Mario Pinto加入了团队，并为扩大AlphaEvolve的影响力做出了贡献。我们还感谢我们的领导者和支持团队在这方面的指导与支持。
---
原文链接：[点击查看](https://deepmind.google/blog/alphaevolve-impact/)
如今，算法已经渗透到生活的方方面面，AlphaEvolve的成就范围更加广泛。从帮助解释自然界的物理现象到驱动电力网络和计算基础设施，AlphaEvolve可以加速各个领域科学家和企业的进步。
我们很高兴分享AlphaEvolve到目前为止所产生的一系列重要影响。
### 推动社会影响和可持续发展
AlphaEvolve在健康和可持续发展研究中发现了关键的联系。
在基因组学领域，AlphaEvolve被用来改进[DeepConsensus](https://www.nature.com/articles/s41587-022-01435-7)，这是谷歌研究开发的一种纠正DNA测序错误的模型，成功实现了变异检测错误减少30%的效果。这些改进帮助[PacBio](https://www.pacb.com/blog/improving-hifi-sequencing-accuracy-with-google-deepconsensus-and-alphaevolve/)的科学家更准确、更经济地分析遗传数据。
> “谷歌团队通过AlphaEvolve发现的解决方案为我们的测序仪器解锁了显著更高的准确率。对于研究人员来说，这种更高质量的数据可能使得以前隐藏的致病突变得以被发现。” — PacBio高级总监Aaron Wenger
在电网优化中，AlphaEvolve被应用于[AC最优潮流问题](https://arxiv.org/abs/2403.17660)，将训练的图神经网络模型找到可行解决方案的能力从14%提升到超过88%，显著减少了电网在后处理步骤中所需的成本。
在地球科学领域，AlphaEvolve将复杂的地理空间数据转化为更可靠、可操作的见解。通过帮助自动化[Earth AI](https://ai.google/earth-ai/)模型的优化，预测自然灾害风险的总体准确度提高了5%。
### 推进研究前沿
AlphaEvolve作为强大的研究伙伴，加速了科学领域的发现。
在量子物理学领域，AlphaEvolve的优化使得在[谷歌的Willow量子处理器](https://blog.google/innovation-and-ai/technology/research/google-willow-quantum-chip/)上运行复杂的分子模拟成为可能，提出了错误率比之前传统优化基准低10倍的量子电路。这促成了对量子计算的前所未有的实验展示，并标志着一个未来，AlphaEvolve将帮助发现超越经典计算机能力的算法。
与著名数学家Terence Tao的合作中，系统帮助解决了[Erdős问题](https://terrytao.wordpress.com/2025/12/08/the-story-of-erdos-problem-126/)。
> “像AlphaEvolve这样的工具为数学家们提供了非常有用的新能力。特别是对于优化问题，我们现在可以快速测试潜在的不等式以寻找反例或确认我们对极值的看法，这极大改善了我们对这些问题的直觉，并使我们更容易找到严谨的证明。” — UCLA数学教授Terence Tao
AlphaEvolve在经典数学挑战中也创造了记录，包括提高[旅行 salesman问题](https://arxiv.org/abs/2509.18057)和[Ramsey数](https://arxiv.org/abs/2603.09172)的下限。
### 改善AI基础设施
AlphaEvolve已经从试点测试阶段毕业，成为我们基础设施的核心组件。它被作为常规工具用于优化下一代[TPUs](https://cloud.google.com/tpu?e=48754805)的设计。此外，它还帮助发现了更有效的[cache替换策略](https://arxiv.org/abs/2602.22425)，在两天内完成了之前需要几个月人力密集努力的工作。
> “AlphaEvolve开始优化我们人工智能堆栈的硬件最低层。它提出了一个设计意外但高效的电路，直接集成到我们下一代TPU的硅片中。这是TPU大脑帮助设计下一代TPU身体的最新实例。” — 谷歌DeepMind首席科学家Jeff Dean
### 扩展商业应用
我们现在与[谷歌云](https://cloud.google.com/blog/products/ai-machine-learning/alphaevolve-on-google-cloud?e=48754805)合作，将AlphaEvolve的强大功能引入各行业的商业企业。
* 在金融服务领域，[Klarna](https://engineering.klarna.com/beyond-prompting-how-algorithmic-evolution-doubled-our-training-speed-8f874af3080d)使用该系统优化其最大的一款transformer模型—在提高模型质量的同时，使训练速度翻倍。
* 在半导体制造中，[Substrate](https://substrate.com/information-to-atoms)将AlphaEvolve应用于其计算光刻框架，跑出了大幅提升的运行速度，能够进行显著尺寸更大的先进半导体模拟。
* 在物流领域，[FM Logistic](https://cloud.google.com/blog/products/ai-machine-learning/how-fm-logistic-tackled-the-traveling-salesman-problem-at-warehouse-scale-with-alphaevolve?e=48754805)借助此技术优化了诸如旅行商问题的复杂路径挑战，比之前经过大量优化的解决方案提高了10.4%的路径效率，年节省超过15,000公里的行驶距离。
* 在广告和市场营销中，[WPP](https://research.wpp.com/blog/cracking-the-code-of-campaign-success-with-googles-alphaevolve-agent/)使用AlphaEvolve优化了AI模型组件，处理复杂高维的活动数据，相较于其竞争的手动模型优化，准确率提高了10%。
* 在计算材料和生命科学中，[Schrödinger](https://cloud.google.com/blog/products/ai-machine-learning/schrodinger-alphaevolve-molecular-discovery-accelerates-4x)应用AlphaEvolve实现了机器学习力场（MLFF）训练和推理约4倍的加速。
> “AlphaEvolve使我们能够以前所未有的速度和效率探索更大的化学空间。更快的MLFF推理对业务产生了实际影响，缩短了药物发现、催化剂设计和材料开发的研发周期，使企业能够在几天内筛选分子候选者，而不是几个月。” — Schrödinger的技术负责人Gabriel Marques
### AlphaEvolve的未来
过去一年显示了AlphaEvolve如何迅速成为一款通用系统。它正在证明下一个突破将由能够学习、进化和优化自身的算法驱动。展望未来，我们对扩展这些能力并将这项技术的强大功能应用于更广泛的外部挑战充满期待。
### 致谢
AlphaEvolve的开发者包括Matej Balog、Alexander Novikov、Ngân Vũ、Marvin Eisenberger、Emilien Dupont、Po-Sen Huang、Adam Zsolt Wagner、Sergey Shirobokov、Borislav Kozlovskii以及Francisco J. R. Ruiz等团队成员。此项研究作为利用AI进行算法发现的广泛计划的一部分而进行。初始开发完成后，Aja Huang、Anton Kovsharov、Alexey Cherepanov、Anindya Basu、Becky Evangelakos、Jamie Smith和Mario Pinto加入了团队，并为扩大AlphaEvolve的影响力做出了贡献。我们还感谢我们的领导者和支持团队在这方面的指导与支持。
---
原文链接：[点击查看](https://deepmind.google/blog/alphaevolve-impact/)
评论
暂无评论。