AlphaEvolve发布已满一年。就在不久前，谷歌低调地公布了一份堪称炸裂的年度成绩单。令人惊叹的是，这个由Gemini驱动的进化式编程智能体，在过去一年间，已经从一篇论文里的概念验证，蜕变为谷歌核心基础设施的一部分。

它究竟做了什么？从协助陶哲轩破解经典数学难题，到为量子芯片重新设计电路；从优化电网调度算法，到加速药物筛选流程，甚至直接改写了下一代TPU的硅片设计。这一切都指向一个事实：AlphaEvolve早已不是实验室里的新奇玩具。

正如一些观察者所感叹的：这种递归式的自我改进，其潜力堪称疯狂。

与顶尖大脑并肩作战

先从最令人瞩目的成就说起。在基因组学领域，AlphaEvolve优化了谷歌的DeepConsensus模型，将DNA测序的变异检测错误率一举降低了30%。PacBio的高级总监Aaron Wenger评价道，这意味着研究人员有可能发现此前隐藏的致病突变——AI优化的算法，正在为人类揭示新的生命线索。

在量子计算的前沿，AlphaEvolve为谷歌的Willow量子处理器设计了全新的量子电路方案，其错误率比传统优化方法低了整整一个数量级——不是10%，而是10倍。这一突破直接让一批此前无法进行的分子模拟实验成为可能。

然而，真正让学术界为之震动的，是数学领域的进展。AlphaEvolve与菲尔兹奖得主、UCLA数学教授陶哲轩合作，攻克了由Erdős提出的经典难题。

陶哲轩对此的评价极具分量。他指出，AlphaEvolve这类工具为数学家提供了“非常有用的新能力”，尤其是在优化问题上。它能够快速测试潜在不等式是否存在反例、验证极值猜想，“极大地改善了我们对问题的直觉，也让我们更容易找到严格证明”。

能让一位当代顶尖的数学家由衷认可其“非常有用”，这本身就是一个历史性的信号。此外，AlphaEvolve还刷新了旅行商问题的已知最优解，改进了Ramsey数的下界纪录。这些组合数学中的经典难题，困扰了人类数十年，而AI通过进化搜索，找到了超越人类直觉的解决方案。

工程战线：优化自身的“躯体”

如果说科研突破尚可被视为“聪明的工具”，那么AlphaEvolve在谷歌内部基础设施上的作为，则远远超出了工具的范畴。最具碘伏性的一点是：它提出了一种“反直觉”的电路设计方案。

这个方案反直觉到什么程度？据透露，谷歌的芯片工程师第一反应很可能是“这不对”。但测试结果证明，它不仅正确，而且效率远超人类设计。因此，谷歌做出了一个决定性举措：将这一AI设计的电路直接集成进下一代TPU的硅片中。

谷歌首席科学家Jeff Dean亲自为此背书。他的原话是：“AlphaEvolve从我们AI技术栈最底层的硬件开始优化。它提出的电路设计如此反直觉却又如此高效，以至于被直接集成进了下一代TPU的硅片。这是TPU大脑帮助设计下一代TPU身体的最新案例。”

这句话的分量值得仔细品味：TPU是训练Gemini的硬件，Gemini是驱动AlphaEvolve的“大脑”，而AlphaEvolve现在正在设计下一代TPU。一个自我强化的闭环已然显现。

商业战线：从实验室走进真实世界

通过Google Cloud，AlphaEvolve的能力已在多个行业落地生根。金融科技公司Klarna用它优化了其最大的Transformer模型，实现了训练速度翻倍，同时模型质量还有所提升。物流公司FM Logistic借助其优化旅行商问题的路线规划，效率提升10.4%，相当于每年减少约15000公里的行驶里程。计算化学公司Schrödinger则利用它加速分子力场的训练与推理，速度提升约4倍——这将药物研发中的筛选周期从数月压缩至数天。

一年前发布时，业界最大的疑问是：这究竟是一个惊艳的演示，还是一个真正可用的系统？如今这份成绩单给出了明确答案：它不仅可用，而且已经深度渗透到谷歌最核心的基础设施中，从芯片硅片到数据库内核，从量子计算到商业客户的生产环境。

然而，AlphaEvolve最关键的战绩，或许并不在上述任何单一案例中。让我们再次审视Jeff Dean的那句话：“TPU大脑正在设计下一代TPU身体。”翻译成更直白的语言便是：训练AI的芯片，正在被AI自身重新设计。新芯片将训练出更强的AI，而更强的AI又会设计出更好的芯片——一个完整的递归自我改进闭环正在形成。

AI设计AI：递归自我改进照进现实

就在AlphaEvolve交出成绩单的同一天，全球工程技术领域的权威媒体《IEEE Spectrum》刊发了一篇长文，标题直指核心：《递归自我改进正在AI实验室中逼近现实》。

“递归自我改进”这个概念，在过去十年里大多只出现在两种语境中：AI安全研究者的预警报告里，以及科幻小说的想象里。《IEEE Spectrum》的这篇特稿，将其从这两个场景中拽出，摆在了工程现实的桌面上。

让这一讨论迅速升温的，是Anthropic联合创始人Jack Clark同期做出的预测。他在其《Import AI》通讯第455期中写道，经过数周时间研读数百份公开数据源后，他得出结论：到2028年底，有超过60%的概率会出现一个能够完全自主训练出其下一代版本的AI系统。

他同时坦言，自己“不确定社会是否准备好了”。这并非社交媒体上的随意发言。Clark作为Anthropic的联合创始人，是AI安全与政策领域最具影响力的公共知识分子之一。当这样的人物松口承认“早期信号已经出现”时，这本身就是一个强烈的信号。

如今，多条线索已清晰摆在桌面上：Anthropic承认其大部分代码由Claude Code编写，Dario Amodei公开表示工程师效率因此提升了20%-40%。换言之，创造Claude的代码，很大程度上是Claude自己写的。在谷歌这边，AlphaEvolve正在设计训练自己的芯片。再看学术界，2026年3月发表于《自然》杂志的AI Scientist系统，已能自主完成“提出假设—设计实验—撰写论文—参与评审”的全流程。

当AI能够参与改进下一代AI时，一家公司的核心护城河将不再仅仅是模型参数量、数据规模或算力储备，而更可能是其系统自演化的速度。

当然，《IEEE Spectrum》的报道也呈现了另一面的审慎声音。Allen Institute for AI的Nathan Lambert提出了“有损自我改进”的概念，指出随着AI系统日益复杂，自我改进的飞轮可能会因摩擦增大而减速，而非无限加速。Meta的研究者Jason Weston和Jakob Foerster则主张，相比纯粹的自我改进，“人机协同改进”是更现实且安全的路径。

话说回来，当AI开始反向设计自己赖以运行的芯片，当陶哲轩这个级别的数学家将其视为研究搭档，当Claude编写了Anthropic的大部分代码时——AI自我提升的这扇门，是否已经被推开？答案似乎是肯定的。

现在，唯一值得深入探讨的问题，或许只剩下这一切将引领我们走向何方。

参考资料：

https://deepmind.google/blog/alphaevolve-impact/

https://spectrum.ieee.org/recursive-self-improvement

https://www.anthropic.com/product/claude-code

https://arxiv.org/abs/2506.13131

https://www.nature.com/articles/s41586-026-10265-5