收录解读
- 分级：`颠覆性` - 正式标题：`AlphaEvolve: A coding agent for scientific and algorithmic discovery` - 原文：`2025-06-17-S1_AlphaEvolve-AlphaEvolve_A_coding_agent_for_scientific_and_algorithmic_discovery.pdf` - 抽取：`extracted.md`
## 重写摘要
AlphaEvolve 的关键突破，不是“让 LLM 写代码”，而是让 LLM 在可执行、可评测的进化闭环里持续改进算法。系统把候选程序交给评估器打分，再用进化式搜索不断保留高分变体，从而把语言模型的创造性和程序执行的确定性绑定在一起。结果是它不只会提出想法，而是能在反馈回路里发现更优算法。
这篇白皮书最重要的证据来自两类场景。第一类是科学与数学：AlphaEvolve 找到了两个 4×4 复矩阵只用 48 次标量乘法的程序，并在高维组合与几何构造问题上刷新记录。第二类是现实基础设施：它为 Google 数据中心调度发现了更优启发式，为 FlashAttention 相关内核和 TPU 电路设计给出可落地优化，并报告 Borg 调度长期回收约 0.7% 的全局算力资源。
## 为什么重要
它把“可验证输出”变成智能复利的核心。只要程序可以被执行和打分，模型就不再只是一次性生成器，而能成为持续发现算法和优化基础设施的搜索系统。这对自动科学发现、算法设计和 AI 自我改进都很关键。
## 局限
当前公开载体是 DeepMind 白皮书，发布时间为 `2025-06-17`，不在你最初的三个月窗口内。它的很多结果依赖专有评估环境和 Google 内部基础设施，外部复现门槛仍然很高。