「AI 不會發明新演算法」這句話，兩份 2025 年研究合起來看要收窄成：「大模型直接上陣不會，但套上演化框架已經會了」。

本篇出自 2026年7月23日 晨報

第一份是 AlgoTune 基準。這是一個 24 人學術團隊建立的基準，收錄 154 個「寫出比標準函式庫更快的正確程式」的任務：前沿模型平均只把程式加速 1.72 倍，靠的是表層優化，「沒有發現演算法層級的創新」(arXiv，2025-07)。第二份是 Google DeepMind 的 AlphaEvolve——一個讓大模型反覆改程式、由自動評分器回饋篩選的演化式框架。它產出了可證明正確的演算法創新：用 48 次乘法完成 4×4 複數矩陣相乘，打破 Strassen 演算法 1969 年 49 次的紀錄，是這個設定 56 年來首次改進(arXiv，2025-06)。合起來的結論：創新缺口更像外圍框架層的問題，不是模型能力的絕對上限——引用「AI 不能創新」當論據的人，從今天起要加上「直接當 agent 用」這個限定詞。

同類最新

• 模型觀點 2026年7月27日 2 條來源

  Stanford 平攤評測法找到獨立第二證

  Stanford 的「平攤評測法」——用「從題目內容預測難度」壓低可靠評測的成本——今天完成定向查證,找到獨立第二證:ICML 2026 一篇論文用同路線做模型能力外推(scali…

• 模型觀點 2026年7月27日 1 條來源

  Lambert「美版 DeepSeek」宣言查無第二源

  Lambert 一年前的「美版 DeepSeek」宣言——2 年、1 到 5 億美元做出權重（模型訓練完的參數檔案）／數據／代碼全開放的前沿模型——本報完成定向查證:專案存在有媒體…

• 模型觀點 2026年7月26日 1 條來源

  為什麼模型愈練愈會解題、卻愈寫愈不像人？MIT 給了一個機制答案，也剛好解釋了人類專家資料為什麼還缺。

  目前後訓練（模型練完基礎能力後、再教它怎麼答題的階段）的主力方法 RLVR（可驗證獎勵的強化學習：只在數學、程式這類有標準答案的任務上給模型獎勵）有個結構性盲點：它只優化「可以客觀…

• 模型觀點 2026年7月25日 1 條來源

  「AI 寫底層程式」的真瓶頸換位置了：生成是易事，讓人敢信那個數字才難。

  SemiAnalysis 在同篇 AMD 實勘裡給出一組第一手工程觀察：2.5 名工程師配上 AI 編程代理，就能完成過去一整組人才做得完的新模型「發布日支援」：代理自動抓設定、跑…