AlphaEvolve交出一周年炸裂成绩单！AI自我改进不再科幻

【导读】AlphaEvolve一周年成绩单炸裂——改芯片、解数学、优化电网，Jeff Dean说「TPU大脑正在设计下一代TPU身体」——「AI造AI」不再是科幻设定，而是正在合拢的工程闭环。

AlphaEvolve转眼已经发布一年。

就在刚刚，谷歌低调地放出了一份炸裂的年度成绩单。

好家伙，AlphaEvolve这一年间居然干了这么多事——

帮陶哲轩解数学难题，给量子芯片重新画电路，优化电网调度，加速药物筛选，甚至直接改了下一代TPU的硅片设计。

这些都在说明：AlphaEvolve已经不是实验室里的玩具了。

这个由Gemini驱动的进化式编程智能体，用一年时间从论文里的概念验证，变成了谷歌核心基础设施的一部分。

正如有网友评论到的：这种递归自我改进真是太疯狂了！

和人类最顶尖的大脑

并肩作战

先从最让人瞪大眼睛的部分说起。

在基因组学领域，AlphaEvolve优化了谷歌的DeepConsensus模型，直接把DNA测序的变异检测错误率砍掉了30%。

PacBio的高级总监Aaron Wenger评价说，这意味着研究人员有可能发现此前隐藏的致病突变——也就是说，AI优化的算法，可能会帮人类找到新的救命线索。

在量子计算领域，AlphaEvolve给谷歌的Willow量子处理器设计了新的量子电路方案，错误率比传统优化方法低了整整10倍。

注意，不是10%，是10倍。这直接让一批此前跑不了的分子模拟实验变成了现实。

但真正让圈内人坐不住的，是数学。

AlphaEvolve和陶哲轩（Terence Tao）合作，攻克了Erdős提出的经典数学难题。

陶哲轩是谁不用多说——菲尔兹奖得主、UCLA数学教授、被公认为当世最聪明的数学家之一。

他的评价是这样的：AlphaEvolve这类工具正在给数学家提供「非常有用的新能力」，尤其是在优化问题上，它可以快速测试潜在的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」。

一个AI系统，让一位数学史上排名前十的头脑由衷地说出「非常有用」——这本身就是一个历史性的信号。

除此之外，AlphaEvolve还刷新了旅行商问题（TSP）的已知最优解，改进了Ramsey数的下界纪录。

这些都是组合数学里的经典老难题，几代数学家啃了几十年，而一个AI编程智能体，用进化搜索的方式，找到了人类直觉从未抵达过的解。

工程战线：AI开始优化自己的「身体」

如果说科研突破还可以归为「聪明的工具」，AlphaEvolve在谷歌内部基础设施上干的事情，就已经不是「工具」两个字能概括的了。

最炸裂的一条：AlphaEvolve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？

谷歌的芯片工程师第一反应大概率是「这不对」——但跑完测试发现，它不仅对，而且比人类设计的更高效。

于是谷歌做了一个决定：把这个AI设计的电路直接集成进了下一代TPU的硅片里。

Jeff Dean，谷歌首席科学家，亲自背书了这件事。

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。」

注意这句话的分量：TPU是训练Gemini的硬件，Gemini是驱动AlphaEvolve的大脑，而AlphaEvolve现在在设计下一代TPU。

商业战线：从实验室走进真金白银

通过Google Cloud，AlphaEvolve已经在多个行业落地。

金融科技公司Klarna用它优化了最大的transformer模型，训练速度直接翻倍，同时模型质量还提升了。物流公司FM Logistic用它优化旅行商问题的路线规划，效率提升10.4%，每年少跑15000公里。计算化学公司Schrödinger用它加速分子力场的训练和推理，速度提升约4倍——药物研发的筛选周期从几个月压缩到几天。

一年前AlphaEvolve发布时，圈内最大的疑问是：这到底是一个惊艳的demo，还是一个真正能用的系统？

一年后的成绩单回答了这个问题：它不仅能用，而且已经深入到了谷歌最核心的基础设施里，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。

但AlphaEvolve最关键的战绩，其实不在上面任何一条。

让我们把Jeff Dean那句话再读一遍：「TPU大脑正在设计下一代TPU身体。」

翻译成更直白的语言就是：训练AI的芯片，正在被AI自己重新设计。

新芯片造出来之后，会训练出更强的AI，更强的AI会设计出更好的芯片——这是一个闭环。

AI造AI：递归自我改进

就在AlphaEvolve交出成绩单的同一天，IEEE Spectrum——全球工程技术领域最权威的媒体之一——刊发了一篇长文：Recursive Self-Improvement Edges Closer InAILabs（递归自我改进正在AI实验室中逼近现实）。

递归自我改进（RSI）这个词，过去十年基本只出现在两个场景：AI安全研究者的警告报告里，和科幻小说里。

IEEE Spectrum用一整篇特稿把它从这两个场景拽了出来，放到了工程现实的桌面上。

而让这篇报道真正炸开的，是Anthropic联合创始人Jack Clark同期给出的预测：到2028年底，有60%以上的概率，出现一个AI系统可以完全自主地训练出自己的下一代。

他在自己的newsletter Import AI 第455期中写道，他花了数周时间阅读了数百份公开数据源，最终得出这个结论。

他承认自己「不确定社会是否准备好了」。

这不是一个推特上的随口一说。Clark是Anthropic的联合创始人，也是AI安全和政策领域最有影响力的公共知识分子之一。

当这样一个人松口承认「早期信号已经出现」的时候，本身就是信号。

如今，三条线索已经摆在桌面上。

Anthropic承认Claude Code写下了公司大部分代码，Dario Amodei公开说工程师效率提升了20%-40%。

换句话说，造Claude的代码，很大一部分是Claude自己写的。

谷歌这边，AlphaEvolve在设计训练自己的芯片。

再看学术界，2026年3月发表在Nature上的AI Scientist系统，已经能自主跑完「提想法—做实验—写论文—同行评审」的全流程。

当AI可以参与改进下一代AI时，一家公司的护城河就不再是模型参数量、数据规模或者算力储备——而是自演化的速度。

当然，IEEE Spectrum的报道也呈现了另一面的声音。

Allen Institute for AI的Nathan Lambert提出了「有损自我改进」（Lossy Self-Improvement）的概念——随着AI系统变得越来越复杂，自我改进的飞轮可能因为摩擦增大而减速，而不是无限加速。

Meta的研究者Jason Weston和Jakob Foerster则主张，比起纯粹的自我改进，「人机共同改进」才是更现实、也更安全的路线。

不过话说回来，当AI在反向设计自己跑着的芯片，陶哲轩这种级别的数学家已经把它当研究搭档，Claude写了Anthropic大部分代码时——

你说AI自我提升这扇门有没有被推开？

其实早就推开了。

现在，唯一值得关心的问题只剩下ASI多久能够到来。

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