AlphaEvolve最近的拓展，是把Gemini的代码能力，从程序员的日常，伸到了商业、基建和科学三个差异极大的领域。
从“写代码”到“用代码”：它的边界在哪
你用过不少AI代码工具吧？大多是贴在IDE里的插件，帮着补全变量、修正语法，本质是给程序员当“打字助手”。但AlphaEvolve这次的动作，是把能力输出到非纯技术场景。比如商业场景里，它能帮运营人员生成监控用户转化率的自动化脚本；基建场景里，能把工程的结构约束，转化为仿真计算的代码；科学场景里，能把论文里的数学公式，变成可运行的计算逻辑。简单说，它不再只服务“会写代码的人”，而是让“需要用代码解决问题的人”，不用自己写代码——这是它和同类工具最大的区别。
跨领域的核心：不是“通用”是“适配”
有人可能会问，AI代码工具跨领域，真的能行吗？AlphaEvolve的门道，不在“通用”二字，而在“适配”。Gemini本身的优势，是能处理不同领域的知识碎片，而AlphaEvolve把这些碎片，和代码的逻辑绑定了。比如你给它说“算这个大桥的承重，要考虑风阻和温度变化”，它不会给你一段随便的代码，而是会把风阻的公式、温度的变量，对应到结构力学的标准代码库，生成符合工程规范的脚本。这种适配，不是靠堆数据，是把领域的隐性知识，转化成代码里的显性规则——毕竟不同领域的人，要的不是“一段代码”，是“能解决问题的代码”。
给行业的信号：不是替代是延伸
这波跨领域的动作，对AI代码工具来说，是个重要转向。之前市场上的讨论，总绕着“会不会替代程序员”打转，但AlphaEvolve的做法，是把代码能力延伸到程序员之外的群体。商业里的运营不用学Python，就能用代码做用户行为的批量分析；基建里的工程师不用精通复杂的仿真软件，就能调整结构参数；科研里的学生不用花几周写代码，就能快速完成实验数据的计算。这不是让谁下岗，是让原本需要“技术转译”的环节，变得直接——比如业务人员和程序员沟通需求，之前可能要写几页文档，现在用AlphaEvolve就能把需求变成可运行的代码，减少了中间的损耗。
那下一个被AlphaEvolve渗透的领域，会是医疗的临床数据处理，还是教育的个性化学习脚本？
素材来源：Google DeepMind Blog · AI情报、大模型、AI智能体、AI应用落地
查看报道原文
发表第一条评论吧