Google DeepMind披露了生成式AI工具AlphaEvolve发布一年来的最新进展。

据日本科技媒体GIGAZINE当地时间5月8日报道，AlphaEvolve已在基因数据分析、电网调度、自然灾害预测、量子计算、Google内部基础设施和物流等多个领域带来性能和效率提升。

AlphaEvolve基于Gemini生成新的代码和计算方法候选方案，再由自动评估系统从速度、准确率和成本效率等维度进行打分，并对高分方案持续迭代优化。Google DeepMind此前表示，该系统并非单纯用于“写代码”，而是面向可量化评估的问题寻找更优算法，甚至探索未知算法或未解问题的新解法。

从此次披露的案例看，生命科学是进展最突出的领域之一。AlphaEvolve优化了DNA分析模型DeepConsensus，将基因数据中疾病相关变异的误检和漏检率降低30%，从而提升研究人员解读基因数据的准确性。

在电网调度方面，AlphaEvolve在“交流最优潮流”（AC Optimal Power Flow）问题上取得突破。该问题要求在满足发电厂和输电线路约束的前提下实现高效配电。经过优化后，电网AI模型找到可行解的比例由14%提升至88%以上，有望减少实际运营中人工修改和依赖额外系统校正的负担。

自然灾害预测模型也出现改善。针对山火、洪水、龙卷风等20类灾害风险预测的AI模型，AlphaEvolve调整了地球观测数据的处理方式，使整体准确率提升5%。

在量子计算方面，AlphaEvolve为Google量子处理器Willow提出了用于分子模拟的量子电路方案，其错误率较现有优化方法降低一个数量级，仅为原来的十分之一。

AlphaEvolve在数学研究中的应用范围也在扩大。其已与UCLA数学家Terence Tao合作，支持“Erdős问题群”研究，并被用于旅行商问题、Ramsey数等经典数学课题下界纪录的改进。

在Google内部基础设施中的应用也进一步深化。AlphaEvolve已被用于下一代TPU设计优化；在缓存替换策略优化中，将原本以人工为主、需要数个月完成的工作压缩至2天；在Google Spanner中将写入放大率降低20%；通过编译器优化策略，软件存储容量也减少约9%。

企业应用案例同样在增多。Klarna将大规模Transformer模型训练速度提升至2倍；半导体初创企业Substrate将计算光刻处理速度提升数倍；FM Logistic通过配送路径优化将年度行驶里程减少超过1.5万公里；WPP将广告投放活动中AI模型的准确率提升10%；Schrödinger则将用于新药研发和材料开发的分子模拟相关模型速度提升约4倍。

Google DeepMind将AlphaEvolve定位为“基于Gemini的编码代理”，并正推动其向更多行业扩展。该机构同时强调，AlphaEvolve代表着“由AI发现并持续改进算法”的重要进展。发布一年内，AlphaEvolve已从研究工具扩展至Google基础设施和企业运营场景，这也是此次披露的核心内容。