过去两年，企业讨论 AI，常把重点放在模型能生成什么：一份报告、一段代码、一套方案，或者一次完整的任务执行。
但最近出现的一类进展，正在把问题推向更深一层：当 AI 不只生成一个答案，而是可以连续提出成千上万个候选方案、自动测试、保留更优者并继续迭代时，决定最终结果的，未必是模型有多会“想”，而是企业能否准确回答——什么才算更好？
2026 年 7 月，Google Cloud 宣布算法发现与优化工具 AlphaEvolve 正式商用。它的基本机制并不神秘：企业提供初始程序、问题定义和评价逻辑，系统生成候选代码，再由自动评估器检查、打分和筛选，进入下一轮演化。生成能力负责扩大搜索空间，评估能力负责决定搜索方向。
这一变化值得企业管理者关注，因为它提示了 AI 落地的新分水岭：未来，很多组织都能获得强大的生成能力，但只有少数组织能够把经营判断写成可靠、可执行、不会被“钻空子”的评价机制。
一个 4 倍提速案例，真正值得看的不是“AI 会改代码”
Schrödinger 是一家长期从事计算化学软件和药物、材料研发的企业。Google Cloud 6 月披露的案例显示，其机器学习力场训练流程中，两类底层算法成为性能瓶颈。其中，Ewald summation 原有 PyTorch 实现缺乏成熟的向量化算法，在大型模拟中运行缓慢。
AlphaEvolve 生成了使用并行批量矩阵乘法的新实现。Schrödinger 没有仅凭运行速度接受结果，而是设置了多层评估：以计算耗时衡量吞吐，同时要求候选程序通过完整测试套件，并在无序水模型等复杂系统上做回归验证。最终披露的结果是，相关优化令机器学习力场的训练和推理速度提升约 4 倍。
这里最容易被误读成“AI 替代专家写出了更快的代码”。实际上，案例中更有价值的能力是：专家先识别出值得优化的瓶颈，再把性能、功能正确性和科学准确性共同写入评估框架。没有这些边界，AI 可能非常高效地优化一个错误目标。
换句话说，AI 扩大了企业提出方案的产能；企业自己的评估器，决定这种产能会变成价值，还是变成规模化偏差。
评分函数不是一个 KPI，而是经营逻辑的可执行版本
企业并不缺 KPI。真正困难的是，许多业务目标同时包含多个互相制约的条件，而且大量条件仍停留在专家经验、会议讨论和事后否决中。
例如，排产方案不能只追求设备利用率，还要考虑交付期、切换成本、质量风险和人员约束；营销方案不能只追求点击率，还要守住毛利、品牌承诺和客户长期价值；采购方案不能只压低价格，还要计入履约稳定性、替代周期和合规风险。
因此，可供 AI 反复优化的“评分函数”，至少应包含四层内容：
这四层共同构成的，不只是技术测试脚本，而是企业经营逻辑的一种可执行表达。它把“我们通常认为这样更好”变成了能够被检查、质疑、更新和审计的组织资产。
- 硬约束：任何候选方案都不能违反的法规、安全、权限和业务规则；
- 目标函数：真正希望提高或降低的经营结果，并明确各目标之间如何权衡；
- 验证方法：用什么数据、测试和对照组判断方案确实更好；
- 适用边界：评分在什么场景、数据分布和时间条件下有效，何时必须由专家重新判断。
最危险的结果，是分数提高了，业务却变差了
当系统能够高速搜索时，模糊指标的风险也会被同步放大。一个候选方案可能通过缩短处理时间获得高分，却把复杂问题推给下游；可能提高预测准确率，却只在历史数据常见区域表现良好；也可能通过规避难例，让平均指标看起来更漂亮。
这并非某个产品特有的问题，而是所有“生成—评价—继续优化”系统的共同治理难题。Google DeepMind 对 AlphaEvolve 的技术说明也明确指出，这类方法更适合可以被清晰、系统衡量的问题；论文则将“能否设计自动评估器”列为主要适用限制之一。
因此，企业不能把当前指标直接包装成 AI 的最终目标。更稳妥的做法是建立一组相互制衡的评价结构：主目标衡量收益，护栏指标防止代价外溢，回归集防止已有能力退化，压力测试覆盖少见但高后果的情况，最后再由领域专家对无法完全量化的部分做判断。
评分函数还必须有版本。市场价格、客户偏好、法规和内部策略都会变化。一次验收通过的评价逻辑，不应被永久视为真理。企业需要记录每次指标调整的原因、审批者、适用数据和对历史方案的影响，才能知道 AI 的结果究竟因模型变化，还是因“什么算好”的定义发生了变化。
企业可以从一项“可自动判分”的难题开始
这类能力不必从药物研发或复杂算法发现起步。很多企业已经存在适合验证的窄问题，例如降低一个高频计算任务的耗时、优化仓储装箱、改进报价组合，或者在明确约束下调整能源使用策略。
选择首个场景时，可以用三个问题筛选：
随后，让业务专家、数据团队和技术团队共同完成一份“评价契约”：写清硬约束、优化目标、测试数据、基线方案、停止条件和最终审批责任。先让 AI 在隔离环境中挑战现有基线，再用未参与优化的数据复验，并保留原方案作为可回退版本。
值得衡量的也不只是“AI 找到了多少方案”，而是：有效候选比例是否提高，验证一次候选的成本是否下降，从发现到生产验证需要多久，以及最终业务结果是否持续优于原基线。
- 结果是否能在较短周期内被客观验证；
- 错误方案是否能在进入生产前被测试拦截；
- 优化带来的改善是否能映射到成本、收入、风险或交付周期。
结语
生成式 AI 正在让“提出方案”越来越便宜。接下来真正昂贵的，是定义好方案、识别伪改进，并把复杂的经营判断变成可重复验证的规则。
Schrödinger 的 4 倍提速是一个有边界的计算优化案例，不能直接等同于研发周期缩短 4 倍，更不能外推为 AI 已经自动完成药物发现。但它清晰展示了一种新的企业能力：当领域知识、自动评估和 AI 搜索形成闭环，AI 不再只是帮助员工更快完成已有步骤，而可以持续探索人力难以穷举的改进空间。
模型会越来越普及，候选方案会越来越多。真正形成差异的，将是企业能否把“什么值得追求、什么绝不能牺牲、怎样证明结果更好”写清楚，并让这套判断随着业务一起演进。
