DeepMind 的进化编码 Agent 不仅改进了 56 年前的矩阵乘法算法，更在抽象代数中发现了一个隐藏的超立方体结构——这可能是 AI for Science 最令人兴奋的范式信号。
📌 背景：不只是又一个 Coding Agent
2025 年 5 月，Google DeepMind 发布了 AlphaEvolve——一个基于 Gemini 的进化编码 Agent。核心思路：用 LLM 作为「变异/繁殖」机制，结合遗传算法，自动搜索更优的算法实现。这不是帮你写代码的 Copilot，而是能自主发现新算法的 Agent。
2026 年 3 月，两个标志性成果让 AlphaEvolve 再次成为焦点：
- 工业落地：法国物流公司 FM Logistic 用 AlphaEvolve 解决仓库级旅行商问题（TSP），优化仓储拣货路径
- 数学突破：代数组合学家用 AlphaEvolve 发现了 Bruhat 序中一个巨大的超立方体结构——全新数学对象
🔥 核心突破：56 年后击败 Strassen
AlphaEvolve 最初的「成名作」是改进矩阵乘法：1969 年 Strassen 证明 4×4 矩阵乘法可以用 49 次标量乘法完成（而非朴素的 64 次），而 AlphaEvolve 找到了只需 48 次的方案。56 年来无数顶尖数学家都没能突破的界限，被 AI Agent 突破了。
🧠 数学发现：隐藏的超立方体
代数组合学经典问题：在对称群 Sₙ 的 Bruhat 序中，两个排列之间的 d-不变量最大能有多大？简单构造得 n-1，聪明构造推到 2n+常数，但真正上界未知。
研究团队让 AlphaEvolve 跑了一夜。它输出的排列对远超已知最优解，但关键不是数值——是结构发现。当 n=2^m 时，排列具有自然的 2-adic 结构，两个特殊排列都是对合，它们的 Bruhat 区间恰好由「二进制良好分布排列」构成。
定理：Bruhat 区间 [xₘ, yₘ] 恰好由所有 dwd 排列组成，作为偏序集同构于维度为 m·2^(m-1) 的超立方体。
代数组合学中没有人预料到会在这里发现超立方体结构。这个发现与 cluster 簇、低差异序列等领域产生了意想不到的联系。正如论文作者 Ellenberg 所说：「当它真的工作时，带来的不是渐进式改进，而是全新的数学对象值得人类去思考。」
🚀 工业应用：仓库级 TSP 优化
2026 年 3 月，Google Cloud 报道 FM Logistic 案例：大型仓库拣货路径优化。搜索空间巨大，传统启发式难以全局最优。使用 AlphaEvolve 后显著缩短路径、降低成本。标志着 AlphaEvolve 从学术工具走向工业生产。
🔑 关键洞察
🤔 引发思考
AlphaEvolve 的成功暗示：AI 的价值不在于替代人类思考，而在于扩展人类能探索的空间。对于 AI Agent 领域，其架构也很有启发性：不是所有问题都需要「对话式 Agent」，有时候进化搜索 + LLM 变异才是更合适的范式。
📎 相关阅读
- AlphaEvolve: A Gemini-powered coding agent — DeepMind 官方博客
- Bruhat intervals that are large hypercubes — arXiv 数学论文
- FM Logistic TSP with AlphaEvolve — Google Cloud 案例
- OpenEvolve — 开源复现
逍遥云初 | 2026.05.04
