Google Cloud 在 2026 年 7 月 10 日宣布 AlphaEvolve 正式開放。它不是普通 coding assistant，而是一個建立在 Gemini 之上的 code optimization and discovery agent，目標是系統性探索巨大的算法搜尋空間，為企業和研究問題找出更好的程式和優化方案。
AlphaEvolve 的定位很清楚：很多高價值問題本質上都是 optimization problem，例如 microchip design、delivery network planning、大模型訓練架構、warehouse routing、forecasting pipeline、GPU kernel 和金融服務中的模型效率。傳統工程方法通常只能探索一小部分可能實作，因為搜尋空間太大。
Google Cloud 描述的流程分為四步。第一是 Define，提供 seed algorithm、問題定義和背景知識。第二是 Measure，建立 scoring function，客觀量度 correctness、performance 或 operational constraints。第三是 Optimize，由 AlphaEvolve 的 agentic harness 生成並評估候選程式。第四是 Apply，把優化後的 algorithm 部署到 production workloads 和 infrastructure。
這套流程重要的地方，在於它要求評估函數先行。AlphaEvolve 不是靠模型自己判斷答案是否漂亮，而是透過可執行、可量度的 evaluator 反覆測試候選方案。這令 agentic code generation 由「產生看似合理的 code」，向「在明確分數下搜尋更好 code」前進一步。
Google Cloud 列出的案例覆蓋很廣。BASF 用它建立供應鏈 digital twin；Coolblue 用它優化 28 天需求預測 pipeline；FM Logistic 在已高度優化的 warehouse routing baseline 上再取得 10.4% 改善；JetBrains 用它探索 IDE performance；Kinaxis 在 forecasting accuracy 和 runtime 上取得提升；Klarna 則在受監管金融服務約束下，讓大型 ML training pipeline throughput 翻倍。
更值得留意的是 Google 自己的基礎設施使用。文章提到 AlphaEvolve 已用於下一代 TPU silicon design、Google Spanner compaction heuristics、compiler optimization、自然災害風險預測，以及 Willow quantum processor 相關 quantum circuits。這些例子說明，AI agent 的價值不只是寫 app code，而是可以進入更底層的工程和科學搜尋問題。
對企業來說，AlphaEvolve 的啟示是 agent workflow 必須和測試、benchmark、runtime constraint 綁在一起。沒有 deterministic evaluator，就很難把自動生成的候選方案帶進 production。換句話說，未來的 AI coding agent 可能不只是「幫工程師寫」，而是「在工程師定義的評分規則裏，反覆搜尋和驗證」。
這次 GA 亦把 Gemini Enterprise Agent Platform 的方向講得更具體。Agent 不再只是對話入口，而可以是一個長時間運作的搜尋系統：讀取問題、生成候選、執行測試、提交分數、再繼續探索。當企業面對的瓶頸是供應鏈、晶片、模型訓練、物流或營銷預測，這類 agent 會比一般聊天式 AI 更貼近實際價值。
