谷歌旗下人工智能研究部门DeepMind公布了一项重要成果，其研发的AI系统AlphaEvolve通过结合Gemini与自动化评估机制，首次实现了对自身训练流程及硬件基础设施的优化。

AlphaEvolve的核心在于构建了一套“大语言模型创意生成—自动化评估筛选”的闭环系统。该系统整合了Gemini 2.0 Pro与Gemini 2.0 Flash两种模型，前者提供深度分析能力，后者负责快速生成多样化方案。通过提示采样器、程序数据库与多层级评估器的协同运作，AlphaEvolve能够针对复杂问题生成海量解决方案，并通过级联测试机制，从简单场景逐步过渡到高难度挑战，高效筛选出最优路径。

在实际应用层面，AlphaEvolve提出的优化方案已在谷歌全球计算基础设施中部署超过一年，数据显示，平均回收0.7%的计算资源，每年可为公司节省数百万美元成本。在硬件层面，AlphaEvolve对谷歌自研AI芯片TPU（张量处理单元）的矩阵乘法电路进行了改进，将Gemini训练流程中的关键环节速度提升23%，整体训练时间缩短1%。这类优化原本需要工程师们花费几个月的时间，如今通过AlphaEvolve的自动化实验，只需要数天就能完成。

最惊人的一点在于，AlphaEvolve实现了大语言模型对自身训练过程的优化。借助系统设计，Gemini通过AlphaEvolve的工具链，直接参与了TPU芯片的电路设计改进，这也是首次人工智能开始跨越软件与硬件的界限，在“自我提升”的路径上迈出实质性步伐。另外，其针对1969年提出的施特拉斯矩阵乘法算法，发现了使用48次乘法计算4x4复值矩阵的新方法，打破了该领域50余年未被改进的僵局，展现出在传统数学难题中突破人类思维局限的能力。

行业观察者指出，AlphaEvolve的出现不仅是单一技术的升级，更预示着人工智能研发范式的变革。其“语言模型驱动代码进化”的框架，理论上可应用于任何可量化评估的领域。虽然目前仍需人类工程师设定初始目标与评估标准，但系统已展现出在成熟领域，如编译器生成的高度优化代码中，实现32%速度提升。

部分学者认为，当人工智能能够自主优化算法、硬件乃至自身训练机制时，可能触发递归式的能力提升，即“AI研发AI”的正反馈循环。DeepMind团队强调这仅是“首个探索性案例”，但行业认为，若该技术路径持续迭代，未来AI系统可能以指数级速度突破现有技术边界，重塑从科研到产业的各个层面。

目前，AlphaEvolve使用的模型版本为Gemini 2.0系列，而谷歌最新发布的Gemini 2.5 Pro已向公众开放，更强性能的迭代版本亦在研发中。随着模型能力的提升与系统框架的完善，人工智能在自我改进道路上的每一步都可能加速技术奇点的临近，而DeepMind的此次突破，或许正是这一进程的重要起点。

参考资料：https://deepmind.google/discover/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

https://www.youtube.com/watch?v=EMoiremdiA8