摘要：当AlphaEvolve发布的时候，我想起了一个关于进化算法的小故事。多年前，有人用遗传算法画出了一幅“蒙娜丽莎”。当时看着有趣，但也不过是个聪明的程序员写的智能拼图游戏。

当AlphaEvolve发布的时候，我想起了一个关于进化算法的小故事。多年前，有人用遗传算法画出了一幅“蒙娜丽莎”。当时看着有趣，但也不过是个聪明的程序员写的智能拼图游戏。

现在，AlphaEvolve来了，它不玩拼图，它在写数学定理的证明、优化芯片电路、改写自己运行的代码，而且——请系好安全带——它优化了人类五十六年来没人能改进的矩阵乘法算法。

是的，你没听错。Strassen算法，1969年发布，从那以后，全世界的数学家和计算机科学家绞尽脑汁也只做出微小改进。现在，AlphaEvolve直接跳出一个更快的版本。

这里我们得暂停一下，体会一下“矩阵乘法”这个词的分量。这是现代计算的心脏，从神经网络训练，到量子模拟，甚至图像压缩，处处都是矩阵乘法。AlphaEvolve不是解决了一个问题，而是打了我们整个数字世界的底层补丁。

它怎么做的？不是传统意义上的“学习”，也不是“训练集喂饱了聪明网络”，而是进化。

它像生物一样突变、试错、繁殖、淘汰。一段代码不行？没关系，复制十份，每份随机微调，看谁跑得更快、更准。选出赢家，再继续。

我们早就知道自然选择威力强大，现在我们第一次看到这种机制用在“写程序”这件事上，居然能超越我们最聪明的专家。

这不是它唯一的超能力。AlphaEvolve能优化芯片结构。能写出让自己运行得更高效的电路图。

它甚至优化了自己的训练算法。这就像一个学生发现了比老师还高效的学习法，然后教自己学得更快。然后再发明更好的教材，再用更好的教材教自己。

说到这，你也许会问，这难道不是AlphaGo、AlphaFold的老路？不，它走得更远。

AlphaGo教AI下围棋，AlphaStar教AI打游戏，AlphaFold教AI看蛋白质。而AlphaEvolve教AI写自己的规则。

如果AlphaGo是专精型棋手，AlphaEvolve就是可以造出棋盘、制定规则、然后自己对弈的通才。

你也许听说过“亲吻数”问题。一个球最多能被多少个等大小的球包围而互相接触。AlphaEvolve也碰了这个问题的一个变体，并解决了它。顺便一提，它还对其他几十个开放数学问题做出了新证明或新算法。

这让我想起数学史上很多阶段性的飞跃。我们从算术到代数，从几何到分析，从黎曼到图灵，每一步都在把抽象转化为结构。现在，AlphaEvolve也许是那个从“人写程序”向“程序进化程序”跨出的关键一跳。

有人担心。有人兴奋。我觉得它带来的是一种新范式的开始。我们现在的角色，也许不是继续扮演写所有算法的主人，而是成为进化系统的园丁——设定环境、制定评价标准、看着它成长、在它走错路时修剪，在它长出新枝时惊叹。

别误会，这不是要“放弃人类的创造力”，而是进入创造力的第二层。

人类设计规则，AI进化解法。人类提出目标，AI摸索路径。人类观察演化，AI加速反馈。

AlphaEvolve是起点。后面会有AlphaDesign、AlphaPhysics、AlphaEconomy——Alpha all the things。

有朝一日，你或许用的不只是AI助手，而是一个每天都在重写自己核心的“进化伙伴”。那个时候，也许你得问自己一个奇怪的问题：你写的这段代码，是你昨天写的吗？答案也许是：“不，是我昨天的AI，今天优化过自己之后的新版本。”

来源：老胡科学一点号