夜雨聆风一位开发者刷到Google的官宣推文，随手甩出一句吐槽。
这句吐槽，比新闻通稿更早点破了真相。
"Letting an AI agent autonomously design its own code updates sounds like the opening scene of a tech thriller we've all seen before."
「让AI智能体自主设计自己的代码更新，听起来就像我们都看过的科幻惊悚片开场。」
开发者Harry（@ZeroWorkEthic）留下这条评论的时候，是2026年7月9日凌晨。几乎同一时刻，Google刚刚官宣：AlphaEvolve正式全面可用（GA），向所有Google Cloud客户开放购买。
▲ 开发者Harry的调侃：这听起来像我们都看过的科幻惊悚片开场。只拿到1个赞，却精准踩中了大多数人刷到这条新闻时的第一反应。
没有机器人半夜潜入谁的服务器。AlphaEvolve在忙活的，是三件扎扎实实的事：橡树岭国家实验室用它给全球最快的百亿亿次超算Frontier写GPU内核；量子计算公司qBraid用它在超过10的50次方种组合里，翻找更省资源的量子纠错编码；药物研发公司Schrödinger用它把分子模拟的速度拉高了整整4倍。
Google Cloud官方账号同一天跟进，用四条战线把话说满：GPU内核、量子纠错、分子模拟提速4倍、预测精度提升的同时把运行时间砍掉90%。
▲ @googledevs官方公告：GPU内核、量子纠错、分子模拟4倍加速、预测精度提升且运行时间砍掉90%，四条战线一次摊开，浏览量约2.5万。
这套系统出自Google DeepMind之手，用Gemini当发动机，起名AlphaEvolve。它并非今天才冒出来，研究版本早在2025年5月就发布过，随后一年里，先在Google内部当"自留地"用，2025年12月又悄悄开放过一轮私有预览。这一次，它正式摆上货架，任何一家云客户都能下单。
机制揭秘：种子、评分表，和一群不知疲倦的AI
Google官方把整套流程拆成四步：Define（定义）→ Measure（评分）→ Optimize（进化）→ Apply（上线）。
翻译成大白话，更像雇了一个不知疲倦的算法优化实习生。你交给它一段已经能跑、但还不够快的代码当种子；再给它一套打分规则，多快算快、误差多少算过关、成本超标就扣分。接下来，Gemini开始没日没夜地提改法，评分程序负责编译、运行、判分，表现好的候选留下来，继续被拿去改下一轮。几天到几周后，拿到手的是一段人能看懂、也经得起审查的更优代码。
Google Cloud工程师Ivan Nardini用一条推特，总结了同一套逻辑：
"You give it a program to improve, a goal, and a scoring function and it uses Gemini to rewrite the code, score each candidate, and evolve the best over generations."
「你给它一段待改进的程序、一个目标、一套评分函数，它就用Gemini改写代码、给每个候选打分，并跨代演化出最优方案。」
▲ Ivan Nardini画出的架构图：左边Gemini负责"想点子"，右边是客户自己搭的评分系统负责"打分"，中间靠一条循环反馈线连起来。他自己还拿它调过Gemma 4的LoRA训练配方。
这套架构里最容易被忽略、却最要命的一环，是评分系统。Schrödinger、JetBrains、Klarna，几乎所有拿出真结果的客户，都把大段篇幅留给了"怎么打分"这件事。打分标准定成什么样，AI就朝哪个方向进化；打分标准留了漏洞，AI一样会毫不客气地钻空子，把作弊练成捷径。
药物研发：一段"淤泥代码"，被4倍提速
Schrödinger是一家计算化学公司，每天要在成千上万个候选分子里做筛选。经典力场算得快，精度却不够；量子化学方法精度够，体系一大就慢到没法用。机器学习力场（MLFF）本该是折中方案，问题是训练和推理这张计算图里，还压着一段经典时代遗留的热点代码，Ewald求和，用来处理分子间的长程静电作用，原本的PyTorch实现写满了低效的for循环，像水管里堵着一层化不开的淤泥。
工程师试过手写向量化，也试过让大模型随手改一改，结果要么算错了关键的物理量，要么快了一点却立刻不稳定。
AlphaEvolve接手后，把评分标准钉得很死：必须先通过科学正确性回归测试（连"无序水模型"这种刁钻场景都要过），再看速度倒数指标，数值越高越快。5000次左右的迭代候选里，一开始只有不到1%能同时满足两条线；进化几轮之后，成功率冲到60%以上，性能分从7.9一路爬到接近30。整体算下来，训练加推理的效率提升接近4倍。
Schrödinger的Gabriel Marques把这件事翻译成了业务语言：可探索的化学空间变大了，药物、催化剂、材料的候选筛选，从按"月"计算，压缩到按"天"计算。
▲ Schrödinger官方博客的标题很干脆：把分子研究加速4倍。这是本次案例墙里，数字最扎实的一块拼图。
GPU内核：在全球最快的超算上，跑AI写的代码
橡树岭国家实验室（ORNL）的故事，现场感更强。Frontier是全球第一台百亿亿次（exascale）超算，跑的是AMD GPU。ORNL把AlphaEvolve接进一套闭环：云端的Gemini负责生成混合精度GPU内核的候选代码，超算这头负责编译、运行、核对数值精度，结果传回去，下一轮候选接着改。
据ORNL高级计算机科学家Oscar Hernandez Mendoza转述，系统能并行测试大批候选实现，其中一些变体，工程师自己未必会想到去尝试。
这类底层内核，通常是编译器和顶尖工程师反复打磨过的地盘，堪称最难啃的骨头之一。Google自己在2025年内部测试时就发现，FlashAttention相关的底层GPU指令路径，一段人类工程师通常已经不再手动去改的代码，AlphaEvolve仍然挖出了最高约32.5%的加速。同一批内部结果里，Gemini训练用到的矩阵乘内核提速23%，整体训练时间缩短1%；数据中心调度系统Borg，长期稳定回收了大约0.7%的全球算力。
0.7%听起来不起眼，但放在Google全球数据中心的体量上，等于不新增一台机器，就凭空多跑出一大批任务，而且交出来的，还是人类工程师能读懂、能调试的调度规则，没有沦为一套谁都不敢碰的黑箱。
量子纠错：在10的50次方种组合里，找一条能用的路
量子比特很脆弱，一点点环境噪声就能搅乱计算结果。量子纠错的思路，是用一堆物理比特编码出更少、更可靠的逻辑比特，具体怎么编码、纠错码结构长什么样，会决定开销和误差压不压得下去。
qBraid是一家量子计算公司，长期在费米子到量子比特的映射方式上做优化。据研发副总裁Kenny Heitritter转述，AlphaEvolve在他们已经打磨多年的编码家族基础上，翻遍了人手完全没法穷尽的搜索空间，仅8个轨道的分子，编码配置的组合数就能超过10的50次方，返回的结果还必须扛得住严格的精确验证器，糊弄不过去。
这条线上还有一个容易混淆的说法：Google研究团队在自家的Willow量子处理器上，用AlphaEvolve找到了用于分子模拟的量子电路，误差降到了原来的约十分之一。这是Google内部的研究成果，跟qBraid的客户案例属于两件相关但不同的事，一个在优化电路，一个在优化编码，别搞混了。
▲ Google Cloud工程师Vlad Negura整理的早期客户成绩单：X光芯片光刻计算成本降低97%、Klarna训练吞吐翻倍，到橡树岭超算和qBraid的量子纠错，十几个案例摊在同一张清单里。
该信几成：JetBrains教会所有人怎么读这些百分比
案例墙上最容易让人上头的，是百分比。但百分比经不经得起推敲，得看它是在哪一层测出来的。
JetBrains的坦白最值得抄下来。他们把AlphaEvolve用在IntelliJ索引栈底层一棵已经被反复优化过的B-tree上。合成基准测试里，多数会话跑50轮以上后，性能分提升15%到20%，这正是Google宣传语的出处。但换到装了完整IDE的集成测试（跑一个真实的Kotlin Spring Petclinic项目），基线是17.4±0.5秒，最好的候选是16.6±0.2秒，提升约4.6%；5个候选方案里，只有2个达到统计显著。
据工程总监Dmitrii Batkovich转述，工程师依然握着基准测试、代码评审和发布按钮，AlphaEvolve改变的，只是需要人工翻找的搜索空间大小。
▲ JetBrains工程博客把合成基准与真实集成测试的两层数字都摆了出来，15%到20%和4.6%，这种坦诚在案例墙里并不多见。
供应链软件公司Kinaxis走的是另一条更极端的曲线：关键预测精度指标提升超过22%，在基准数据集上，运行时间被砍掉超过90%，这正是@googledevs官宣推文里"预测精度提升、运行时间砍掉90%"那一条的原始出处。电商平台Coolblue的路子更稳，大约200轮迭代后，需求预测的WMAPE指标改善超过5%，评分函数里还专门加了"低估要罚分"的设计，防着系统学会靠调低预测值来投机取巧。
极端加速和稳健改善，被塞进了同一套系统里，靠的是同一个逻辑：分数怎么定义，进化就往哪个方向走。
人仍掌握最后一关
Google的文档和几乎每一份客户证言都在反复强调同一件事：人类定义问题、设计评分标准、做最终评审和上线决策；AlphaEvolve负责在人给出的边界里做穷举和搜索。Google Cloud工程师Gilson Melo提到，价值正在往评审、安全、生产上线路径这几个环节转移，这几件事，恰恰是过去最容易被压缩、被跳过的部分。
风险当然也真实存在。评分标准要是留了漏洞，AI只会死死盯住分数最大化，能删检查就删检查，业内管这个叫"奖励黑客"。进化出来的代码，可能跑得快，但未必好看，团队照样得靠代码审查兜底。而且每一次候选都要真编译、真运行、真打分，评估这件事本身也要算进成本里，一点都不便宜。
回到开头那句"科幻惊悚片开场"。真实的剧本里，没有AI在深夜黑化的桥段，有的是橡树岭的超算队列、Schrödinger的回归测试、qBraid那道糊弄不过去的精确验证器，还有Google内部那句被反复引用的话：TPU的大脑，正在帮忙设计下一代TPU的身体。当算法优化变成一项可以按需订购的云服务，真正稀缺的，始终是把问题定义清楚、把评分标准立明白的那份手艺，这份手艺，暂时还长在人类的脑子里。
