作者 | 木子
說起 AI Coding，之前很多人好歹還有個“心理安慰”：AI 也就寫寫“腳手架程式碼”、補補前端頁面，真到核心演算法、業務邏輯，還是得人來論文。
但這道“最後防線”，也正在鬆動論文。
谷歌 DeepMind最近做了一件更狠的事：他們讓 LLM 驅動的智慧體，直接去改寫、進化演算法程式碼本身——不是調引數，而是改演算法邏輯論文。
改完就丟進真實博弈環境裡反覆跑，自動評測、優勝劣汰，一輪輪進化論文。
結果呢？它真的做出了全新的多智慧體學習演算法，在多項測試中超過了人類專家手工打磨的版本論文。
重要的是，這些機制並不直觀，屬於人類很難靠經驗窮舉出來的解論文。
更關鍵的是：人只用定義好了演算法骨架，之後的搜尋、修改、篩選，全程自動完成，不用手調引數，不用反覆試錯，也不靠研究者的直覺微調論文。
這個智慧體叫 AlphaEvolve，延續了 DeepMind 一貫的“Alpha”命名傳統（AlphaGo、AlphaZero、AlphaFold）論文。其中 “Evolve” 意為“進化”，點明它的核心機制：透過類似生物進化的方式不斷改寫和篩選演算法。
這個 AlphaEvolve 本身去年就有，但這是它 第一次被用來學習演算法論文。
它把 Gemini 系列大模型，和進化搜尋結合起來，把程式碼不斷生成、測試、篩選、再進化論文。
展開全文
DeepMind 把把研究過程和成果寫成了一篇 37 頁的論文，題為《基於大語言模型的多智慧體學習演算法自動發現》（Discovering Multiagent Learning Algorithms with Large Language Models），一發出來就炸了技術圈論文。
有網友看完直呼，這玩意真挺“可怕”的：
“這看起來像是 DeepMind 手中的一張王牌，我認為它可能導致谷歌贏得比賽論文。”
“這看起來像是 DeepMind 手中的一張王牌，我認為它可能導致谷歌贏得比賽論文。”
有人銳評：
“這就像教一個孩子讀書，然後看著它自己編寫教科書論文。”
“這就像教一個孩子讀書，然後看著它自己編寫教科書論文。”
還有人已經開始往更遠處想：既然 AI 已經能設計更好的學習演算法，那或許它也該先給自己設計一套更完善的“倫理引擎”，在 ASI 真正爆發之前，先把對齊這件事想清楚論文。
人只選定演算法框架，
AI 全自動閉環進化
來展開看看實驗設計和操作過程論文。
需要說明的是論文，研究團隊沒有讓模型“從零寫演算法”，而是選定兩個 成熟框架：
CFR（後悔最小化）： CFR 演算法族，依賴遞迴定義來累積後悔值並構建平均策略論文。
PSRO（策略種群訓練）： 透過迭代計算最優響應並求解元策略，不斷擴充套件策略種群論文。
CFR（後悔最小化）： CFR 演算法族，依賴遞迴定義來累積後悔值並構建平均策略論文。
PSRO（策略種群訓練）： 透過迭代計算最優響應並求解元策略，不斷擴充套件策略種群論文。
過去，在不完全資訊博弈求解（比如撲克）中，像 CFR、PSRO 這些經典演算法雖然理論紮實，但真正好用的“升級版”，還是要靠人類專家一點點憑經驗調參、改規則、試出來論文。
然後，研究人員把演算法核心邏輯，拆成幾個可被改寫的 Python 函式，例如：regret 累積規則、當前策略生成方式、平均策略更新規則、PSRO 的 meta-solver 邏輯論文。
也就是說，他們只開放了“關鍵決策邏輯”給 LLM 改，其餘框架固定論文。這一步很關鍵，相當於給進化定義“基因範圍”。
接下來就進入真正的“進化環節”論文。
AlphaEvolve 把當前演算法程式碼當作“個體”，由 LLM 生成若干語義上有意義的改寫版本：不是隨便亂改，而是改具體邏輯、控制流或更新規則論文。
每一個改寫後的版本，都會被自動編譯、執行，然後丟進一組博弈環境裡真實對戰，用 exploitability 這樣的指標打分論文。表現更好的版本被保留下來，作為下一輪搜尋的基礎；表現差的直接淘汰。
整個過程是閉環的：生成 → 執行 → 評估 → 篩選 → 再生成，迴圈推進論文。人類不參與中間調參，也不手動篩選，只負責設定規則和評價標準。
圖注：這張示意圖也是 AI 做的
結果，AI 進化出了兩個全新演算法論文。
先看 CFR 這一派論文。AlphaEvolve 進化出了 VAD-CFR。
AI 沒有去調那點小引數，而是直接改了“後悔值怎麼累計、怎麼打折、什麼時候開始平均策略”這些核心邏輯論文。
比如引入了 volatility-sensitive discounting（根據波動動態折扣）、hard warm-start schedule（前期蓄力、後期發力）這樣的機制論文。
聽起來挺抽象的，但效果明顯：在多個博弈裡，它超過了目前人類手工打磨出來的最強版本論文。
這張圖很直觀，展示了多種 CFR 變體在不同博弈環境中的收斂表現論文。上半部分是用於搜尋階段的訓練遊戲，下半部分是規模更大、更復雜的測試遊戲。
橫軸是迭代次數（最多 1000 次），縱軸是 exploitability（越低越接近均衡）論文。曲線降得越快、越低，說明演算法越強。
灰色那條線就是 VAD-CFR論文。可以看到，在多數遊戲裡，它下滑得更快、落得更低，明顯壓過 CFR+、DCFR、PCFR+ 這些人類最佳化過多輪的版本。
在一些遊戲中，大約 500 次迭代之後，曲線像突然“踩了油門”，下降速度明顯加快——這正是它預熱階段結束、正式發力的時刻論文。
前半段像是在默默蓄力，後半段才真正衝刺論文。
更關鍵的是，在規模更大、難度更高的測試遊戲中，VAD-CFR 依然比傳統的 CFR、CFR+、DCFR 等人工設計的演算法收斂更快、結果更優，沒有出現“只會做模擬題”的情況論文。
這說明，它不是針對訓練遊戲做了小技巧，而是在演算法結構層面找到了一種更高效的更新方式論文。
再看 PSRO這一派：AI 進化出了 SHOR-PSRO演算法論文。
它做的事情很簡單也很大膽：重新設計“元求解器”論文。
傳統方法要麼偏探索，要麼偏逼近均衡，權衡是固定的論文。而 SHOR 直接把多種更新機制混合在一起，設計了一種混合型 meta-solver，而且隨著訓練程序動態調整，讓訓練過程自動從“多樣性探索”過渡到“逼近均衡”。
這張圖，展示的就是它和 Uniform、Nash、AlphaRank、PRD、RM 等經典方法的對比論文。
圖中不同顏色代表不同元求解器：Uniform、Nash、AlphaRank、PRD、Regret Matching（RM），以及進化得到的 SHOR（棕色線）論文。
整張圖分為上下兩部分論文。上半部分是訓練遊戲，下半部分是規模更大、更復雜的測試遊戲，用來檢驗演算法是否具有泛化能力。
橫軸是 PSRO 迭代次數（最多 100 輪），縱軸是 exploitability（可被利用度，對數座標）；數值越低，說明演算法越接近博弈均衡、表現越好論文。
可以看到，在多數遊戲中，SHOR 曲線下降更快，而且在第 100 次迭代時的 exploitability 更低，說明它在同樣迭代次數下更有效地逼近均衡論文。
尤其是在更復雜的測試遊戲中（如 4-player Kuhn、6-sided Liar’s Dice），SHOR 依然保持優勢，沒有明顯退化論文。
簡單說，SHOR-PSRO 在“什麼時候多探索、什麼時候專注逼近均衡”這件事上，比傳統方法更靈活、更聰明論文。
它不是靠調引數贏的，而是把排程邏輯本身改了論文。
論文地址論文：
參考連結論文：
