2026-05-22 · aha team

AlphaEvolve 深度解析：从 MAP-Elites 到算法发现证据

分析 Google DeepMind AlphaEvolve 的双模型架构、MAP-Elites 质量多样性搜索和 4×4 complex-valued matrix multiplication 的 48-scalar result，并标出复核边界。

AlphaEvolve DeepMind 进化计算 MAP-Elites AI Self Evolution

为什么 AlphaEvolve 重要

2025 年，Google DeepMind 发布了 AlphaEvolve——一个用 LLM 驱动进化搜索的系统。最值得复核的结果是：在 4×4 complex-valued matrix multiplication 这个设定下，AlphaEvolve 报告了 48 scalar multiplications，相对 Strassen 1969 年以来的 49 次口径形成改进。

这不是一个小众优化。Strassen 算法自 1969 年以来一直是算法理论的标杆，无数研究者尝试改进而未果。

双模型架构

AlphaEvolve 的核心创新在于使用两个不同能力的 Gemini 模型协同工作：

Gemini Flash（广度探索）

生成大量候选程序变体
快速探索搜索空间的不同区域
成本低、速度快

Gemini Pro（深度洞察）

对有潜力的候选进行深度改进
理解代码语义并提出关键修改
成本高但质量更高

这种”广度 + 深度”的组合模拟了进化生物学中的”变异 + 选择”机制。

MAP-Elites：质量多样性搜索

AlphaEvolve 使用 MAP-Elites 算法，与传统”找最优解”不同，它维护一个行为空间中的精英地图：

初始化：空归档 Archive
每步进化：
  1. 从 Archive 选择父代（适应度 + 新颖度加权）
  2. LLM 变异/交叉 → 子代程序
  3. 自动评估器评分
  4. 计算行为描述符 b(child)
  5. 如果 f(child) > f(Archive[b(child)])：
     Archive[b(child)] = child

MAP-Elites 的关键公式：

Archive[b(p)] = p  if  f(p) > f(Archive[b(p)])

这意味着归档中的每个”小生境”（niche）都保存该区域的最优解。归档不断增长，照亮整个解空间。

重大成果

数学发现

问题	结果
4×4 复数矩阵乘法	48 次乘法（改进 Strassen）
50+ 数学问题	75% 重新发现 SOTA，20% 找到更优解

Google 基础设施

应用	效果
数据中心调度 (Borg)	论文语境下报告约 0.7% 计算资源恢复
FlashAttention kernel	23% 加速
LLM 训练 attention	32% 加速

0.7% 的计算资源恢复听起来不多，但在 Google/DeepMind 报告的基础设施语境里，已经是值得严肃复核的系统收益。

与 FunSearch 的关系

AlphaEvolve 建立在 FunSearch（Nature 2023）的基础之上：

FunSearch：单函数发现，使用 Codey 模型
AlphaEvolve：完整代码库进化，使用 Gemini 双模型

两者共享核心理念：LLM 生成程序变体 + 自动评估器提供适应度信号。

开源替代：OpenEvolve

AlphaEvolve 本身不公开，但社区已有开源实现：

OpenEvolve（https://github.com/algorithmicsuperintelligence/openevolve）——AlphaEvolve 概念的社区复现版本，支持 OpenAI 兼容 API。当前索引记录的是来源可追踪的开源实现，不代表我们已经独立复跑其全部 benchmark。

局限性

需要定义良好的评估函数（不是所有问题都有自动验证器）
计算成本高（大量 LLM 调用 + 程序评估）
双模型架构需要访问多个 LLM 层级
仅限有自动验证器的领域

对 Self Evolve 的启示

AlphaEvolve 在若干可自动评估任务中报告了”LLM 作为变异算子 + 自动评估器”的有效性。在 Self Evolve 的技术地图中，它是”进化计算 + LLM”路线的重要工业案例，但具体结论必须绑定到任务、评估器和复现实验。

这个方向正在快速发展：学术界的 ADAS/DGM 提出了 Agent 级别的代码进化，而 AlphaEvolve 展示了工业化规模的可能性。

延伸阅读：