Google AlphaEvolve 正式上线：Gemini 驱动的代码优化 AI Agent 开放商用

Google 本周宣布，由其 DeepMind 研究项目转化而来的 AlphaEvolve 在 Gemini Enterprise Agent Platform 上正式公开商用（Generally Available）。这是一款进化式代码优化与算法发现 AI Agent，能够利用 Gemini 模型对用户输入的种子代码进行自动变异与搜索，最终生成高度优化且可读的新版本。

AlphaEvolve 遵循严格四步工作流：用户首先提供种子算法，然后构建确定性的客户端评测脚本对候选代码进行性能和正确性评分，接着 AI 生成并搜索变异候选，最后用户部署胜出代码。值得注意的是，代码生成通过 Google API 完成，而评测脚本运行在用户自己的基础设施上，实现了数据保护的分工协作。

不过，该工具存在明确局限性。AlphaEvolve 要求目标必须能通过数学指标评分，对于需求模糊的通用业务逻辑并不适用。如果评测脚本遗漏某个约束条件，进化搜索会无情地利用该漏洞，生成通过测试但在边界情况下灾难性失败的代码。工程师仍需自行审核基准和测试集，AI 只负责缩小搜索空间。目前所有性能数据均为供应商提供，尚缺乏独立的第三方基准验证。

在生物科学领域，AlphaEvolve 已展现出惊人潜力。Old Dominion 大学 Qin 实验室将其应用于计算生物老年学，在仅 500 次评估中就独立重新发现了 1990 年代的 Kannisto Logistic 死亡率模型，并将 Emergent Aging Model 的综合适应度分数提升了 19%。PacBio 将该 Agent 应用于 Google 的 DeepConsensus 模型，将 DNA 测序变异检测错误降低了 30%。Schrödinger 则用它使机器学习力场推理速度提升了 4 倍，大幅缩短药物发现中的分子模拟研发周期。

在企业应用方面，Klarna 在保持金融监管可复现性的同时，将机器学习训练吞吐量提高了一倍，三周内探索了近 6000 种深度架构重写。JetBrains 将 IDE 代码补全延迟降低了 15% 到 20%。FM Logistic 将仓库拣选路由成本降低了 10.4%。Kinaxis 将供应链预测准确率提升 22% 的同时将运行时间降低了 90%。

Google 内部团队也利用 AlphaEvolve 设计了下一代 TPU 硅布局，将 Google Spanner 的写入放大降低了 20%，将软件存储占用减少了 9%，并发现了 Willow 量子处理器中错误率降低 10 倍的电路方案。

开发者可通过文档和 Colab 示例访问 AlphaEvolve API，也可通过 AlphaEvolve Skill 将优化工作流直接集成到 Antigravity 和 Claude Code 等 IDE 中。对于没有 Gemini Enterprise 访问权限的用户，社区也提供了开源替代方案 OpenEvolve。