转眼间，AlphaEvolve 已经问世整整一年。
就在不久前，谷歌低调地发布了一份震撼业界的年度成果总结。
这份成绩单显示，在短短一年间，AlphaEvolve 完成了诸多突破性任务：协助陶哲轩破解数学难题、为量子芯片重新设计电路、优化电网调度策略、加速药物筛选流程，甚至直接参与了下一代 TPU 硅片的设计改进。
这些事实清晰地表明：AlphaEvolve 早已不再是实验室中的概念验证工具。
这个由 Gemini 驱动的进化式编程智能体，仅用一年时间就从论文中的理论设想，成长为谷歌核心基础设施中不可或缺的一环。
正如一位网友所评论的：这种递归式的自我改进能力，简直令人难以置信。
与人类顶尖智慧并肩作战
首先，让我们聚焦于最令人震惊的成果。
在基因组学领域，AlphaEvolve 成功优化了谷歌的 DeepConsensus 模型，将 DNA 测序中的变异检测错误率大幅降低了 30%。
PacBio 的高级总监 Aaron Wenger 评价道，这一突破意味着研究人员可能发现此前被隐藏的致病突变——换句话说，由 AI 优化的算法，有望为人类找到新的救命线索。
在量子计算领域，AlphaEvolve 为谷歌的 Willow 量子处理器设计了一套全新的量子电路方案，其错误率相比传统优化方法降低了整整 10 倍。
请注意，这里不是 10%，而是 10 倍。这一成就直接使一批此前无法运行的分子模拟实验成为了现实。
然而，真正让业界为之震动的，是其在数学领域的贡献。
AlphaEvolve 与菲尔兹奖得主、UCLA 数学教授、被誉为当世最聪明数学家之一的陶哲轩（Terence Tao）合作，成功攻克了 Erdős 提出的经典数学难题。
陶哲轩的评价令人深思：像 AlphaEvolve 这样的工具，正在为数学家提供“非常有用的新能力”，特别是在优化问题上，它能快速测试潜在不等式是否存在反例、验证极值猜想，“极大地改善了对问题的直觉，也让我们更容易找到严格证明”。
|
— | —
一个 AI 系统，能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。
此外，AlphaEvolve 还刷新了旅行商问题（TSP）的已知最优解，并改进了 Ramsey 数的下界纪录。
这些都是组合数学领域经典的百年难题，几代数学家为此奋斗了几十年，而一个 AI 编程智能体，通过进化搜索的方式，找到了人类直觉从未触及过的解。
工程战线：AI 开始优化自己的“身体”
如果说上述科研突破尚可归为“聪明的工具”，那么 AlphaEvolve 在谷歌内部基础设施上的作为，则已远远超出了“工具”的范畴。
最令人震撼的一条消息是：AlphaEvolve 提出了一种“反直觉”的电路设计方案。
这个方案反直觉到了什么程度？
谷歌的芯片工程师看到它的第一反应大概率是“这不可能”——但经过测试后发现，它不仅可行，而且比人类设计的方案更高效。
于是，谷歌做出了一个重大决定：将这个由 AI 设计的电路直接集成进了下一代 TPU 的硅片中。
谷歌首席科学家 Jeff Dean 亲自为这一决策背书。
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。”
请注意这句话的分量：TPU 是训练 Gemini 的硬件，Gemini 是驱动 AlphaEvolve 的大脑，而 AlphaEvolve 现在正在设计下一代 TPU。
商业战线：从实验室走向真金白银
通过 Google Cloud，AlphaEvolve 已在多个行业实现了落地应用。
金融科技公司 Klarna 利用它优化了最大的 transformer 模型，训练速度直接翻倍，同时模型质量还得到了提升。物流公司 FM Logistic 借助它优化了旅行商问题的路线规划，效率提升了 10.4%，每年可减少 15000 公里的运输里程。计算化学公司 Schrödinger 用它加速了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数月压缩到了数天。
一年前 AlphaEvolve 发布时，业界最大的疑问是：这究竟是一个惊艳的演示 demo，还是一个真正可用的系统？
一年后的这份成绩单给出了明确的答案：它不仅可用，而且已经深入到了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。
但 AlphaEvolve 最关键的战绩，其实并不在上述任何一条。
让我们再次回味 Jeff Dean 的那句话：“TPU 大脑正在设计下一代 TPU 身体。”
将其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。
新芯片被制造出来后，将训练出更强的 AI，而更强的 AI 又会设计出更好的芯片——这是一个完美的闭环。
AI 造 AI：递归自我改进
就在 AlphaEvolve 交出这份成绩单的同一天，全球工程技术领域最权威的媒体之一——IEEE Spectrum——刊发了一篇长文：《Recursive Self-Improvement Edges Closer In AI Labs》（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，在过去十年里基本只出现在两个场景中：AI 安全研究者的警告报告，以及科幻小说。
IEEE Spectrum 用一整篇特稿，将它从这两个场景中拉了出来，放到了工程现实的桌面上。
而让这篇报道真正引起轰动的，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，会出现一个 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，他花费了数周时间阅读了数百份公开数据源，最终得出了这一结论。
他坦言自己“不确定社会是否准备好了”。
这并非一条随意的推特发言。Clark 是 Anthropic 的联合创始人，也是 AI 安全和政策领域最具影响力的公共知识分子之一。
当这样一个人公开承认“早期信号已经出现”时，这本身就是一种强烈的信号。
如今，三条清晰的线索已摆在桌面上。
Anthropic 承认，Claude Code 写下了公司大部分代码；Dario Amodei 公开表示，工程师的效率提升了 20% 到 40%。
换句话说，制造 Claude 的代码，很大一部分是 Claude 自己写的。
谷歌这边，AlphaEvolve 正在设计训练自己的芯片。
再看学术界，2026 年 3 月发表在《Nature》上的 AI Scientist 系统，已经能够自主完成“提出想法—进行实验—撰写论文—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会因为摩擦增大而减速，而非无限加速。
Meta 的研究者 Jason Weston 和 Jakob Foerster 则主张，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。
当AI开始反向设计自己正在运行的芯片，当陶哲轩这样的顶尖数学家已经把它当作研究伙伴，当Claude写下了Anthropic大部分代码时——
AI自我提升的大门，是否已经被悄然推开？
答案早已不言自明。
如今，唯一值得追问的问题，只剩下一个：ASI（通用人工智能）究竟何时到来。
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
关注“鲸栖”小程序，掌握最新AI资讯
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/archives/33765
