Jeff Dean 上週拋出一句讓晶片圈很難忽視的話：AlphaEvolve 已經開始在 Google AI 技術堆疊最底層的硬體環節做最佳化。
這不是又一個程式碼助理的故事。DeepMind 的最佳化系統提出了一個反直覺但效率很高的電路設計，Google 已經把它整合進下一代 TPU 的矽片。5 月 8 日，Google 進一步表示，計畫把 AlphaEvolve 開放給 Cloud 客戶使用。
AlphaEvolve 不是寫程式工具
Copilot 或 Claude Code 幫開發者寫應用程式碼、補函式、修 bug；AlphaEvolve 做的是更窄也更深的事。只要目標可量化，例如訓練時間最短、錯誤率最低、路徑最優，它就去搜尋更好的演算法和系統設定。
它的流程是由 Gemini Flash 大量產生候選方案，Gemini Pro 做更深入的評估與挑錯，再用演化演算法淘汰較差方案、保留較好方案，送回下一輪迭代。它不是搜尋引擎，也不是聊天，而是替已定義的硬指標尋找極致解法。
Google 內部使用的數字很硬
Google 表示 AlphaEvolve 已在內部使用一年多。公開案例包括 Spanner 寫入放大率下降 20%、編譯器軟體儲存占用減少近 9%、DeepConsensus 基因體變異偵測錯誤率下降 30%、AC Optimal Power Flow 電網調度可行解率從 14% 提高到 88%，以及 Willow 量子晶片的分子模擬誤差率降到原本的十分之一。
它還讓 Gemini 架構中的關鍵 kernel 加速 23%，使整體訓練時間減少 1%。在資料中心排程方面，AlphaEvolve 的方案已在 Google 生產環境跑了一年多，持續回收全球 0.7% 的運算資源。
早期客戶測試直接指向成本
Schrödinger 用 AlphaEvolve 最佳化機器學習力場模型，訓練和推論速度都提高到 4 倍。Klarna 把訓練速度提高一倍，同時提升模型品質。WPP 取得 10% 的精度提升。FM Logistics 將物流路徑最佳化 10.4%，一年節省超過 1.5 萬公里運輸距離。
這些數字之所以重要，是因為它們能直接對應到電費、人力成本、客戶體驗與物流成本，而不只是「用了 AI」的宣傳。
企業還有幾個問題要先問清楚
AlphaEvolve 適合的是晶片設計、資料庫參數調校、排程系統、科學計算、化學合成路徑搜尋這類問題：目標明確、參數空間巨大，人類工程師單靠經驗試錯效率有限。
Google 要把它從研究工具變成雲端服務，但企業購買前仍要弄清楚定價、工作負載邊界、資料治理、結果是否可審計與可重現，以及出問題時如何回滾。即便如此，AlphaEvolve 從研究院走向商業化本身已是一個訊號。AlphaFold 先替製藥業開了路，AlphaEvolve 可能是面向雲端運算與企業 IT 的下一個案例。
參考來源：CocoLoop