Human defines What, AlphaEvolve figures out How
AlphaEvolve的核心理念是由人類定義「要解決什麼問題」（What），而讓AI系統自行探索「如何解決」（How）。這種人機協作模式極大地擴展了我們解決複雜問題的能力，但同時也很大部分取代了人類的研究方法以及工程師的職能。
人類輸入的關鍵元素
- 初始程式[Current Solution]: 人類提供基本程式碼或解決方式骨架，標記需要優化的組件
- 評估標準[Evaluation]: 定義如何自動衡量解決方案的質量
- 背景知識[Background]: 與想優化的組件相關的背景知識
AlphaEvolve探索的部分
- 演算法優化：在定義的評估指標下尋找最佳程式碼實現
- 創新解決方案：LLM發現全新方法，甚至可能超越人類專家的現有解決方案
- 搜索策略：藉由Program Database的紀錄找出最佳LLM提供的方案
- 多步驟推理：不斷的產生不同的解決方式作為Prompt來增進LLM的Result
運作原理
AlphaEvolve將人工定義的「問題是什麼」與AI確定的「如何解決」相結合。系統由四個主要組件組成：
- 提示採樣器：利用先前嘗試的解決方法和知識作為Prompt
- LLM集合：生成改進程式碼的Result
- 評估器：執行和評分程式碼
- 程式資料庫：存儲程式及其品質分數和反饋，作為Prompt提供下一次LLM生成
系統通過分散式控制器循環執行，簡單的步驟如下：
- 從資料庫抽樣已經有的程式和靈感來源
- 構建新的Prompt
- 使用LLM生成程式碼修改
- 應用這些修改創建新程式
- 評估修改後的程式
- 將結果添加回資料庫
AlphaEvolve的結果
google-deepmind/alphaevolve_results
Deepmind有將AlphaEvolve改進的演算法在github給大家做驗證
後記
筆者認為AlphaEvolve的創新之處在於它打破了人類設計算法時常有的思維限制。不受傳統「經驗法則」或「設計套路」的束縛，AlphaEvolve能夠探索更加開放的算法空間。工程師往往受到先前教育和經驗的影響而局限了思路，而LLM的隨機性則使AlphaEvolve能夠產出一些天馬行空的解決方案。雖然這些方案可能看似不合常規，但通過嚴格的評估機制，這些答案最終都會回歸到解決問題的本質目的。
相較於傳統方法中人類需要經過大量評估才進行實作，LLM採取的是不斷試錯以找尋最優解的策略。也許這正是AI超越人類的關鍵所在：通過海量的計算和迭代，AI能夠更接近問題的最優解，而不受人類既有認知框架的限制。
反省
現階段我們真的需要工程師或研究員嗎?
如果沒有這些基礎訓練人類還能定義一個好的”What” ?
