！离AGI更近了！！0.31元运行谷歌的AlphaEvolve和UBC的DGM「达尔文-哥德尔机」？
最近AI圈子里有两个特别有意思的项目，一个是谷歌DeepMind的AlphaEvolve，另一个是UBC大学的Darwin Gödel Machine（简称DGM）。
假期我花了0.31元人民币，用Deepseek模型运行了一遍这两个系统。结果让我很震撼：
- AlphaEvolve在3分钟内将一个函数优化算法的性能提升了8.52%
- DGM更是将排序算法的性能提升了345%——从简单的冒泡排序直接进化成了高度优化的快速排序
就像看到AI在我面前重新发明了算法。
成本对比震撼：DGM的官方实验运行一次需要大约2.2万美元的计算成本，而我用国产的Deepseek模型。仅仅花费了0.31元人民币就体验到了AI自我改进的核心能力，先别急着跟我掰持，如果您也需要用Claude 3.6 sonnet和o3-mini运行SWE-bench花费0.31元人民币断然是不够的，我说的是体验，运行DGM主要代码并使用Deepseek-R1-0526模型进行体验。
这让我看到了一个重要信号：AI自我改进技术正在加速，加速！加速。。。
更让我感到震撼的是，AlphaEvolve能够56年来首次改进Strassen矩阵乘法算法——这可是1969年以来数学界的一个开放问题啊！这两个系统有个共同的野心：让AI自己改进自己的代码，不再需要我们人类手把手地优化算法。
AlphaEvolve高层概览
Darwin Gödel Machine系统概览。DGM通过交替进行自我修改和下游任务评估，迭代构建不断增长的智能体档案库。
什么是"自我改进"的AI？不是调参那么简单
您可能会想，AI自我改进不就是自动调参吗？但这两个系统做的事情完全不一样。
传统方式 vs 自我改进：
- 传统AutoML/超参数优化：在人类设计的框架内打转，就像给车换不同的轮胎，但车的基本结构不变
- AlphaEvolve和DGM：让车自己决定要不要长翅膀、要不要变成潜水艇，甚至重新设计整个交通工具的概念
这种自我改进的核心在于，系统能够修改自己的源代码，而不仅仅是调整参数。这意味着什么？
意味着AI可以改变：
- 自己的算法逻辑
- 工具组合
- 整个工作流程
- 复杂的数学运算
- 人类尚未发现的未知领域
- 。。。
就像一个程序员不仅能调试代码，还能重构架构、发明新的编程范式一样。
AlphaEvolve：科学发现的进化引擎
谷歌是怎么让AI"进化"代码的
AlphaEvolve的工作方式其实挺像生物进化的，但比自然选择聪明多了。
核心机制：
- 程序数据库：存着各种不同版本的算法代码
- 突变操作员：用Gemini 2.0这样的LLM分析现有代码，提出改进建议
- 自动评估：通过评估函数筛选，只有表现更好的代码才会被保留
完全自动化的进化循环：
- 提示采样器从程序数据库中选择表现好的代码作为"父母"
- LLM基于这些代码和任务上下文生成新的代码修改（以diff格式输出）
- 评估器运行这些新代码并打分
- 优秀的代码被加入数据库
您可以把它想象成一个永不停歇的代码Code Review和重构过程，只不过参与者都是AI。
AlphaEvolve发现过程的详细视图
从矩阵乘法到数学难题，AlphaEvolve都能搞定
AlphaEvolve最让人印象深刻的成果是什么？它解决了一堆人类专家几十年都没搞定的问题。
矩阵乘法的历史突破：
- 历史问题：4×4矩阵相乘的最优算法一直是开放问题
- Strassen算法：1969年提出，需要49次标量乘法，56年来无人改进
- AlphaEvolve突破：找到了只需48次乘法的算法，复数域上的重大突破
AlphaEvolve与前一代系统FunSearch的能力对比
更广泛的数学成就： 研究者把AlphaEvolve应用到了50多个数学构造问题上：
- Erdős的最小重叠问题
- 11维接吻数问题
- 各种几何包装问题
成功率令人瞩目：
- 75%的问题：重新发现了已知最优解
- 20%的问题：找到了比已知方案更好的构造
这个成功率说明什么？说明AI已经具备了在某些领域超越人类专家的发现能力。
AlphaEvolve发现的突破性数学构造示例
进化不是随机搜索，是有策略的探索
您可能觉得这听起来像是暴力搜索，但实际上AlphaEvolve的策略相当精妙。
评估级联机制：
- 新生成的解决方案先在简单测试用例上验证
- 只有通过了才会进入更复杂的评估阶段
- 就像招聘时的多轮面试，避免浪费计算资源
多目标优化策略：
- 同时追求多个评估指标的提升
- 即使只关心一个特定指标，多目标优化往往效果更好
- 不同评估标准产生结构不同的优秀程序，激发LLM更有创意的解决方案
AlphaEvolve发现更快矩阵乘法算法的代码变化过程
验证AlphaEvolve，结果如何？
从理论到现实：一个函数优化任务的演进过程
说了这么多理论，您可能好奇这些系统实际运行起来是什么样子。
我的实验设置：
- 模型：Deepseek-V3
- 项目：AlphaEvolve的开源版本OpenEvolve（见文末Reference）
- 任务：经典的函数最小化问题
- 时间：大约3分钟
- 迭代次数：5次代码进化
结果确实让人印象深刻——不是那种夸张的"惊人"，而是实实在在看得见的改进。
图：AlphaEvolve（OpenEvolve）使用Deepseek模型进行函数优化的实际运行过程
数据不会撒谎：从0.9035到0.9886的飞跃
性能提升数据：
- 初始算法评分：0.9035
- 5次迭代后：0.9886
- 提升幅度：8.52%
您可能觉得这个提升看起来不大，但要知道，这是在一个已经相当优化的基准任务上实现的改进。在实际的工程场景中，8%的性能提升往往意味着：
- 数百万的成本节约
- 用户体验的显著改善
更有趣的权衡策略： 系统在不同维度上的表现：
- speed_score：从1.0000降到0.9229（略有下降）
- value_score、distance_score、standard_deviation_score：都有显著提升
这说明AI学会了通过稍微增加计算复杂度来换取更好的解决方案质量——这种权衡策略正是优秀程序员会做的决策。
真实世界的不完美：错误处理和系统鲁棒性
运行过程中出现了一些有意思的现象，这让我们看到了系统的真实表现。
语法错误处理：
- 系统生成的某些代码变体包含语法错误（比如括号未闭合）
- 这在自动代码生成中很常见
- 关键是：AlphaEvolve的评估系统能够自动检测这些错误
- 丢弃有问题的代码，继续用其他有效的变体进化
工程化问题：
- 遇到了Unicode编码问题（Windows环境下常见）
- 不影响核心算法执行
- 提醒我们：将研究原型部署到生产环境时，仍需考虑各种工程化问题
DGM：真正的"自我指涉"改进系统
从理论到实践，Gödel机器的现实版本
Darwin Gödel Machine的名字听起来就很有学术范儿，它的灵感来自Schmidhuber在2006年提出的Gödel机器理论。
理论 vs 实践的转换：
- 原始Gödel机器：要求系统在修改自己之前必须能够数学证明这种修改是有益的
- 现实问题：这在实践中几乎不可能做到
- DGM的创新：放弃数学证明要求，改用经验验证——通过编程基准测试判断修改效果
DGM的核心特征：自我指涉性
DGM和AlphaEvolve最大的不同在于"自我指涉性"：
- DGM不仅要解决编程任务
- 还要改进自己解决编程任务的能力
- 而改进自身的过程本身就是一个编程任务
这形成了一个递归循环：
更好的编程能力 → 更好的自我改进能力 → 更好的编程能力
精妙之处：下游任务的改进直接反映了系统自我改进能力的提升
开放式探索：为什么要保留"失败"的尝试
DGM采用了一种叫做"开放式探索"的策略，这点特别值得注意。
核心理念：
- 系统维护一个包含所有历史智能体的档案库
- 即使某些智能体在当时看起来表现不佳，也不会被丢弃
- 原因：看似"失败"的尝试可能包含有价值的创新点
DGM的自动改进过程
真实案例证明： 在SWE-bench实验中：
- DGM在第4次和第56次迭代时性能都出现了临时下降
- 系统没有回滚到之前的版本
- 继续基于这些"退步"的版本进行探索
- 结果：这些看似退步的分支最终产生了超越所有前代的优秀智能体
就像科学研究中的"偶然发现"——很多重大突破都来自于看似失败的实验。
从20%到50%，DGM在编程任务上的突破
基准测试表现：
- SWE-bench：从20.0%提升到50.0%
- Polyglot：从14.2%提升到30.7%
但更重要的是它是怎么做到的——系统自动发现了：
自动发现的改进：
- 更精细的文件编辑工具（支持按行查看和字符串替换）
- 改进的多轮尝试机制
- 同行评审机制（用另一个FM来评估和选择最佳解决方案）
关键点：这些改进都不是人类预先设计的，完全是系统在自我探索过程中发现的。
自我改进和开放式探索使DGM能够持续进步
DGM实践：从冒泡排序看AI进化之路
345%性能提升背后的智能决策
相比AlphaEvolve的渐进式优化，DGM展现出了更加激进的自我改进策略。
我的实验结果：
- 模型：Deepseek
- 任务：排序算法优化演示
- 迭代轮次：3轮
- 性能跨越：从16.97到83.63
- 总体提升：345.4%
更重要的是，我们可以清楚地看到AI是如何一步步进行"算法重构"的，这种改进远远超出了传统的参数调优范畴。
图：DGM使用Deepseek模型进行排序算法自我改进的完整过程
不是参数调优，是算法重新发明
第一轮改进：最震撼的算法范式转变
AI直接放弃了原来的冒泡排序实现，完全重写成了迭代式快速排序。
这不是简单的代码优化，而是算法范式的根本转变：
- 从：O(n²)的冒泡排序
- 到：O(n log n)的快速排序
AI自己"意识到"了冒泡排序的本质缺陷，并选择了更适合的算法结构。这种决策能力已经接近了一个资深算法工程师的水平。
第二轮和第三轮：精深的算法优化
展现了AI对算法细节的精深理解：
- 混合排序策略：小数组用插入排序
- 三数取中的基准选择
- 栈空间使用模式优化
这些都是教科书级别的快速排序优化技巧，证明AI已经掌握了算法设计的核心原理，而不仅仅是在模仿现有代码。
真实的探索过程：有进有退才是常态
DGM的运行过程真实地反映了探索的不确定性。
性能波动的真实性：
- 第三轮评分：83.63
- 第二轮评分：91.36
- 现象：第三轮实际上比第二轮有所下降
- 系统行为：没有简单地回滚到前一个版本
这种"容忍暂时退步"的策略正是开放式探索的精髓——有时候看似的退步可能为更大的突破铺路。
多维度权衡能力： 我们可以观察到AI在不同维度上的权衡策略：
- 算法正确性
- 执行效率
- 代码可读性
- 内存使用
这种多目标优化的能力说明，DGM已经具备了相当成熟的工程判断力。
专用vs通用两套系统的核心差异
应用领域的分化：科学发现 vs 编程智能体
虽然AlphaEvolve和DGM都采用进化算法和LLM驱动的代码修改，但它们的应用重点完全不同。
AlphaEvolve：科学发现引擎
- 定位：专门解决有明确评估标准的科学和工程问题
- 应用领域：
- 矩阵乘法
- 数学构造
- 系统优化
- 强项：能够处理各种不同问题类型，从数学证明到工程优化
DGM：通用智能智能体
- 定位：构建能够持续自我改进的系统
- 专注领域：编程任务
- 核心假设：如果系统能够更好地编写代码，就能更好地改进自己
- 理论潜力：具有无限改进潜力的自我指涉设计
技术架构的不同选择
AlphaEvolve的架构特点：
- 分布式异步架构：可以同时运行数千个评估任务
- 适用场景：计算密集型的科学问题
- 评估级联：先用简单测试筛选，再进行深度评估
- 优势：大大提高效率
DGM的架构特点：
- 相对简单的架构：但在"开放式探索"上下功夫
- 父代选择机制：考虑性能表现和已有子代数量
- 平衡策略：既利用优秀解决方案，又保持探索多样性
- 可追溯性：每个智能体的修改历史都有完整记录
实际应用：这些系统能为您的AI项目带来什么
AlphaEvolve的工程价值：从算法优化到系统加速
如果您正在开发需要高性能计算的AI产品，AlphaEvolve展示的能力就很有参考价值。
谷歌的实际应用： 研究者用它优化了谷歌计算栈的多个关键组件：
- 数据中心调度算法
- LLM训练用的矩阵乘法内核
- TPU内部的算术电路
- Transformer的attention计算加速
这些都是实际生产环境中的关键瓶颈，任何微小的改进都能带来巨大的经济价值。不过，AlphaEvolve的源码是需要向谷歌申请的，以上运行的openEvolve版本仅是复现。
对您项目的启示： 如果把AlphaEvolve应用到您的推理服务优化上，系统可能会自动发现：
- 新的批处理策略
- 内存管理方法
- 您从未想过的算法组合
关键优势：这种优化是端到端的，不需要您预先定义搜索空间，系统会自己探索各种可能性。
DGM的产品启示：自我改进的智能体架构
DGM的价值更多体现在系统架构层面。
应用场景举例： 如果您在构建复杂的AI智能体系统，比如：
- 您的客服机器人不仅能回答用户问题
- 还能根据用户反馈自动改进自己的对话策略
- 优化知识检索方法
- 甚至改进整个交互流程
现实验证： DGM证明了这种自我改进并非空想：
- SWE-bench：表现已经接近开源SOTA水平
- Polyglot：甚至超越了人类专家长期优化的Aider工具
这说明，给AI足够的自主权和合适的反馈机制，它确实能够实现持续的自我提升。
DGM发现的改进可以在不同模型和任务间迁移
挑战：理想很丰满，现实有骨感
计算成本：烧钱的自我改进
说到实际部署，我们不得不面对一个现实问题：这些系统的计算成本都不低。
成本现状：
- DGM：SWE-bench上一次完整运行需要大约2周时间，API调用费用本文开头时所示，2.2万美元
- AlphaEvolve：虽然在采样效率上有所改进，但对于复杂问题仍然需要大量的LLM调用
投资回报思考： 换个角度想，如果系统能够自动发现像矩阵乘法算法那样的突破性改进，这种一次性投入是完全值得的。换句话说，看你用这种自进化系统想获得啥样的关键发现，认为值就跑起来。。。
关键策略：选择合适的应用场景——那些改进后能带来长期收益的核心算法和系统组件。
安全性：自我修改的双刃剑
让AI系统修改自己的代码，这事听起来就有点危险。
DGM的安全措施： 研究者认真考虑了安全问题：
- 沙盒环境
- 时间限制
- 人工监督
- 完整的修改追踪
现实挑战： 但老实说，这些措施在真正的生产环境中肯定不够，潘多拉魔盒早已打开，做好拔插头的准备就好了~
AlphaEvolve的相对优势： 在这方面相对保守一些：
- 主要针对有明确评估标准的科学问题
- 风险相对可控（仅从论文和复现代码观察）
如果要把这种自我修改能力应用到更广泛的AI系统中，安全机制还需要更多的研究和完善。
基础模型的限制：巧妇难为无米之炊
这两个系统都严重依赖底层大语言模型的能力。
模型能力的制约：
- AlphaEvolve的实验显示，使用更强的模型确实能得到更好的结果
- 系统的上限受到当前LLM能力的制约
- 如果底层模型无法理解某个领域的复杂概念，再精妙的进化算法也无济于事
一些启发
重新思考AI系统的设计模式
这两个项目最重要的启示可能是：我们需要重新思考AI系统的设计模式了。
传统 vs 新范式：
- 传统做法：人类设计架构，AI在框架内学习和优化
- 新的可能性：AI已经具备了参与甚至主导系统设计的能力
设计建议： 您在设计下一个AI产品时，不妨考虑留出一些"可进化"的空间：
- 把某些关键组件设计成可替换的模块
- 配置自动化的评估机制
- 让系统能够实验不同的实现方案
仔细借鉴下这些代码的精华，这样您的产品或许也就具备了持续自我改进的潜力。
评估机制的重要性：没有反馈就没有进化
两个系统都强调了自动化评估的重要性，这对我们设计AI产品很有启发。
核心要求： 如果您想让AI系统持续改进，就必须设计出能够：
- 快速、准确评估系统性能的机制
- 衡量最终效果
- 提供足够的信号来指导改进方向
设计原则： 找到"代理指标"——既容易自动化评估，又能真实反映系统的核心能力。
DGM选择编程基准作为评估标准，是因为编程能力和自我改进能力有直接联系。
或许是AGI的新路径？
自我改进：通向AGI的必经之路
从某种意义上说，自我改进能力可能是AGI的必要条件之一。
人类智能的特征： 人类智能的一个重要特征就是能够：
- 反思和改进自己的思维方式
- 学会学习
- 学会思考
当前进展： AlphaEvolve和DGM在这个方向上做出了重要探索，证明了AI系统确实可以获得某种程度的自我改进能力。
现实评估： 当然，目前这些系统还远远达不到AGI的水平，它们的自我改进还局限在特定领域内。
但这个开始很重要——就像最早的神经网络只能识别简单图案，但为深度学习革命奠定了基础一样。
科学发现的自动化：人机协作的新模式
AlphaEvolve在数学和算法发现上的成功，让我们看到了科学研究自动化的可能性。
未来科研模式： 未来的科学发现可能不再是纯粹的人类活动，而是：
- 人类直觉 + AI计算能力的深度结合
- 人类提供问题定义和评估标准
- AI负责大规模的探索和验证
现实验证： 这种模式已经在AlphaEvolve的数学问题研究中得到了验证：
- 许多问题都是由数学家Javier Gomez Serrano和Terence Tao建议的
- 然后由AI系统去寻找解决方案
这种人机协作的模式可能会成为未来科研的新范式。
既要又要还要
不管怎么说，AlphaEvolve和DGM都代表了AI发展的一个重要节点。
它们告诉我们，AI已经不再满足于：
- 被动地执行人类设计的任务
而是开始：
- 主动探索改进自身的可能性
作为AI产品的开发者，我们既要：
- 抓住这种技术进步带来的机遇
- 又要认真对待其中的挑战和风险
最后的问题：您准备好迎接这个AI自我改进的时代了吗？当谷歌和USC等用OpenAI和Claude的模型，跑通了AI自进化系统，不管怎样，您至少还要像我这样，用DeepSeek把代码运行起来体验一下。
Reference：
AlphaEvolve
论文：https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/AlphaEvolve.pdf
代码：https://github.com/codelion/openevolve（并非谷歌官方源码，请注意识别）
DGM
论文：https://arxiv.org/pdf/2505.22954
代码：https://github.com/jennyzzt/dgm
文章来自于“AI修猫Prompt”，作者“AI修猫Prompt”。
全部评论
留言在赶来的路上...
发表评论