AlphaEvolve 實際影響報告：Gemini 驅動的演算法搜尋引擎在科學與基礎設施的量測成果
Google DeepMind Blog · 2026-05-08
Google DeepMind 於 2026 年 5 月發布 AlphaEvolve 的實際影響報告，詳述這套 Gemini 驅動的自主演算法設計代理在數學、量子運算、基因體學、材料科學與 Google 基礎設施各領域的量測成果。AlphaEvolve 原於 2025 年 5 月發表，此次報告是其部署後的系統性評量。
系統架構
AlphaEvolve 是一個自主程式碼生成與最佳化系統，以 Gemini 為推理核心，通過以下工作流程運作：產生候選演算法（以程式碼形式）→ 對照基準自動測試 → 以進化搜尋迭代精化。無需大量人工介入——快取最佳化問題的解決從傳統需要數月縮短至 2 天。
科學領域成果
- 基因體學：DeepConsensus DNA 定序變異偵測錯誤率降低 30%。
- 電力最佳化：AC Optimal Power Flow 問題可行解比例從 14% 提升至 88%。
- 災害預測：20 種自然災害類別的預測精度平均提升 5%。
- 量子運算：Google Willow 處理器上分子模擬量子電路的錯誤率降低 10 倍。
- 數學：改進 Traveling Salesman Problem 的下界，並推進 Ramsey Number 相關記錄。
Google 基礎設施影響
AlphaEvolve 已整合進 Google 內部基礎設施最佳化管線，具體量測結果如下：
| 系統 | 指標改善 |
|---|---|
| TPU 電路設計 | 最佳化結果整合進次世代 silicon |
| Google Spanner | write amplification 降低 20% |
| 編譯器 | 儲存 footprint 減少 9% |
商業應用
外部商業案例包括：Klarna（transformer 模型訓練速度加倍）、FM Logistic（路由效率提升 10.4%）、Schrödinger（分子力場訓練加速 4 倍）、半導體廠商（微影模擬加速數倍）。這些成果顯示 AlphaEvolve 的核心能力——在有明確評估函數的問題上搜尋高效程式解——在工程最佳化場景具有廣泛適用性。
原始來源：AlphaEvolve: How our Gemini-powered coding agent is scaling impact across fields (DeepMind)
AI Co-Mathematician：FrontierMath Tier 4 得分 48%，數學研究工作台的架構設計
arXiv:2605.06651 · 2026-05-07
2026 年 5 月 7 日，18 位研究者聯合在 arXiv 發表 AI Co-Mathematician（arXiv:2605.06651），描述一套專為開放性數學研究設計的互動式代理工作台，在困難數學推理基準 FrontierMath Tier 4 上達到 48% 得分，並輔助研究者解決了真實開放問題。
系統架構
AI Co-Mathematician 是一個非同步、有狀態的工作台，而非單次問答系統。它同時維護多個並行任務，支援跨 session 的上下文延續，並具備以下設計要件：
- 失敗假說追蹤：記錄嘗試過但失效的方法路徑，避免重複探索已知死路。
- 意圖精化：透過反覆澄清使用者目標，處理開放性問題中不完整的初始描述。
- 不確定性管理：在資訊不足時明確表達不確定性，而非生成虛假陳述。
- 原生數學輸出：直接產生 LaTeX 格式的定理、證明與推導步驟。
實際研究案例
論文記錄了系統輔助解決加法數論（additive number theory）開放問題的案例。對於 h-fold sumset 的直徑下界問題，系統引入 h²-dissociated sets 的構造技術，將指數界（exponential bound）改進至多項式界 O(k^{10h³})，被原始研究者 Isaac Rajagopal 評為「聰明且原創，我自己大概需要一兩週才能想到」。
系統支援的研究階段涵蓋：概念激發與文獻探索、計算實驗、形式驗證（定理證明）、到理論框架建構。FrontierMath Tier 4 包含需要博士級領域知識的困難問題，48% 的得分遠高於此前所有自動化系統。
原始來源：AI Co-Mathematician: Accelerating Mathematicians with Agentic AI (arXiv:2605.06651)
Gemini API File Search 升級多模態：圖文混合語義檢索與自訂 metadata 篩選
Google Developers Blog · 2026-05-09
Google 於 2026 年 5 月 9 日宣布 Gemini API File Search 支援多模態（multimodal）檢索，以 Gemini Embedding 2 模型為基礎，讓代理系統可在文字與圖片混合的文件中進行語義搜尋，不再局限於純文字內容。
核心改動
原有 File Search 僅支援文字語義匹配，此次更新的關鍵在於：原生理解圖片內容，包括 PDF 中的圖表、截圖中的文字（OCR 語義）、以及科學圖像中的視覺特徵。開發者現在可以用自然語言描述視覺特徵進行查詢（例如「找出有折線圖且 Y 軸超過 10,000 的頁面」），而不依賴檔案名稱或關鍵字。
自訂 metadata 與精確定位
新增 key-value metadata 標籤功能，允許開發者在索引時為文件附加結構化屬性（如 department: Legal、status: Final），並在查詢時過濾：
response = client.files.search(
query="quarterly revenue chart",
filter={"department": "Finance", "status": "Final"},
top_k=5
)回傳結果包含頁面級引用（page-level citations），明確指出答案來源的頁碼，讓代理系統的引用可追蹤、可驗證。
效能影響
精確的文件定位讓代理系統可以只擷取相關頁面送入上下文，而非整份文件，上下文視窗使用量降低約 50%。同時，當查詢無法在語料庫中找到充分依據時，模型可以明確表示不確定而非推測，減少幻覺。
原始來源：Gemini API File Search is now multimodal (Google Developers Blog)