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“腳手架代碼”、補補前端頁面，真到核心算法、業(yè)務邏輯，還是得人來。

　　但這道“最后防線”，也正在松動。

　　谷歌 DeepMind最近做了一件更狠的事：他們讓LLM 驅動的智能體，直接去改寫、進化算法代碼本身——不是調參數，而是改算法邏輯。

　　改完就丟進真實博弈環(huán)境里反復跑，自動評測、優(yōu)勝劣汰，一輪輪進化。

　　結果呢？它真的做出了全新的多智能體學習算法，在多項測試中超過了人類專家手工打磨的版本。

　　重要的是，這些機制并不直觀，屬于人類很難靠經驗窮舉出來的解。

　　更關鍵的是：人只用定義好了算法骨架，之后的搜索、修改、篩選，全程自動完成，不用手調參數，不用反復試錯，也不靠研究者的直覺微調。

　　這個智能體叫AlphaEvolve，延續(xù)了 DeepMind 一貫的“Alpha”命名傳統(tǒng)（AlphaGo、AlphaZero、AlphaFold）。其中 “Evolve” 意為“進化”，點明它的核心機制：通過類似生物進化的方式不斷改寫和篩選算法。

　　這個 AlphaEvolve 本身去年就有，但這是它第一次被用來學習算法。

　　它把 Gemini 系列大模型，和進化搜索結合起來，把代碼不斷生成、測試、篩選、再進化。

　　DeepMind 把把研究過程和成果寫成了一篇 37 頁的論文，題為《基于大語言模型的多智能體學習算法自動發(fā)現(xiàn)》（Discovering Multiagent Learning Algorithms with Large Language Models），一發(fā)出來就炸了技術圈。

　　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?！?/blockquote>

　　

　　有人銳評：

“這就像教一個孩子讀書，然后看著它自己編寫教科書?！?/blockquote>

　　

　　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(fā)之前，先把對齊這件事想清楚。

　　

　　人只選定算法框架，

　　AI 全自動閉環(huán)進化

　　來展開看看實驗設計和操作過程。

　　需要說明的是，研究團隊沒有讓模型“從零寫算法”，而是選定兩個成熟框架：

　　CFR（后悔最小化）：CFR 算法族，依賴遞歸定義來累積后悔值并構建平均策略。

　　PSRO（策略種群訓練）：通過迭代計算最優(yōu)響應并求解元策略，不斷擴展策略種群。

　　過去，在不完全信息博弈求解（比如撲克）中，像 CFR、PSRO 這些經典算法雖然理論扎實，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(guī)則、試出來。

　　然后，研究人員把算法核心邏輯，拆成幾個可被改寫的 Python 函數，例如：regret 累積規(guī)則、當前策略生成方式、平均策略更新規(guī)則、PSRO 的 meta-solver 邏輯。

　　也就是說，他們只開放了“關鍵決策邏輯”給 LLM 改，其余框架固定。這一步很關鍵，相當于給進化定義“基因范圍”。

　　接下來就進入真正的“進化環(huán)節(jié)”。

　　AlphaEvolve 把當前算法代碼當作“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(guī)則。

　　每一個改寫后的版本，都會被自動編譯、運行，然后丟進一組博弈環(huán)境里真實對戰(zhàn)，用 exploitability 這樣的指標打分。表現(xiàn)更好的版本被保留下來，作為下一輪搜索的基礎；表現(xiàn)差的直接淘汰。

　　整個過程是閉環(huán)的：生成 → 運行 → 評估 → 篩選 → 再生成，循環(huán)推進。人類不參與中間調參，也不手動篩選，只負責設定規(guī)則和評價標準。

　　

　　圖注：這張示意圖也是 AI 做的

　　結果，AI 進化出了兩個全新算法。

　　先看 CFR 這一派。AlphaEvolve 進化出了 VAD-CFR。

　　AI 沒有去調那點小參數，而是直接改了“后悔值怎么累計、怎么打折、什么時候開始平均策略”這些核心邏輯。

　　比如引入了 volatility-sensitive discounting（根據波動動態(tài)折扣）、hard warm-start schedule（前期蓄力、后期發(fā)力）這樣的機制。

　　聽起來挺抽象的，但效果明顯：在多個博弈里，它超過了目前人類手工打磨出來的最強版本。

　　

　　這張圖很直觀，展示了多種 CFR 變體在不同博弈環(huán)境中的收斂表現(xiàn)。上半部分是用于搜索階段的訓練游戲，下半部分是規(guī)模更大、更復雜的測試游戲。

　　橫軸是迭代次數（最多 1000 次），縱軸是 exploitability（越低越接近均衡）。曲線降得越快、越低，說明算法越強。

　　灰色那條線就是 VAD-CFR?？梢钥吹?，在多數游戲里，它下滑得更快、落得更低，明顯壓過 CFR+、DCFR、PCFR+ 這些人類優(yōu)化過多輪的版本。

　　在一些游戲中，大約 500 次迭代之后，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(fā)力的時刻。

　　前半段像是在默默蓄力，后半段才真正沖刺。

　　更關鍵的是，在規(guī)模更大、難度更高的測試游戲中，VAD-CFR 依然比傳統(tǒng)的 CFR、CFR+、DCFR 等人工設計的算法收斂更快、結果更優(yōu)，沒有出現(xiàn)“只會做模擬題”的情況。

　　這說明，它不是針對訓練游戲做了小技巧，而是在算法結構層面找到了一種更高效的更新方式。

　　再看PSRO這一派：AI 進化出了SHOR-PSRO算法。

　　它做的事情很簡單也很大膽：重新設計“元求解器”。

　　傳統(tǒng)方法要么偏探索，要么偏逼近均衡，權衡是固定的。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，而且隨著訓練進程動態(tài)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。

　　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）。

　　整張圖分為上下兩部分。上半部分是訓練游戲，下半部分是規(guī)模更大、更復雜的測試游戲，用來檢驗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，對數坐標）；數值越低，說明算法越接近博弈均衡、表現(xiàn)越好。

　　可以看到，在多數游戲中，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。

　　尤其是在更復雜的測試游戲中（如 4-player Kuhn、6-sided Liar’s Dice），SHOR 依然保持優(yōu)勢，沒有明顯退化。

　　簡單說，SHOR-PSRO 在“什么時候多探索、什么時候專注逼近均衡”這件事上，比傳統(tǒng)方法更靈活、更聰明。

　　它不是靠調參數贏的，而是把調度邏輯本身改了。

　　論文地址：

https://arxiv.org/abs/2602.16928

　　https://x.com/hasantoxr/status/2026371848217456738

　　https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/?utm_source=chatgpt.com