近日，在國際進化計算頂級會議 GECCO 2026 主辦的 LLM Designed Evolutionary Algorithm Competition（大語言模型設計進化算法競賽）中，由華為雲天籌 AI 求解器團隊與華為諾亞方舟實驗室聯合組成的參賽隊伍「OptVerse-Noah」，憑藉智能體自主發現的進化算法 AMGE，在 GNBG 黑箱優化基準測試集的全部 24 個測試函數上均排名第一並奪得冠軍。
本次賽事的核心命題是：算法自動設計方案需要在統一約束下，對 24 個結構各異、難度未知的黑箱問題取得穩定優異表現，同時無法獲取問題內部結構信息，也無法針對單個問題調參。具體約束如下：
嚴格黑箱約束：參賽算法只能通過目標函數評估結果獲取反饋，不允許訪問測試函數內部結構信息；統一參數配置：算法需採用同一套配置完成所有 24 個測試函數，禁止針對性調參；有限評估預算：每個測試函數均需在有限的函數調用預算下完成優化，對算法效率與搜索能力提出更高要求；跨問題泛化：算法需在多模態、不對稱、複合結構等截然不同的問題結構上同時取得穩定表現。
命題的核心難點在於：如何在同一套配置下兼顧不同類型黑箱問題的優化需求——平滑函數需要快速收斂，多模態函數需要廣泛探索，欺騙性函數需要跳出局部最優，從而檢驗「算法自動設計」能否突破人工設計瓶頸。
華為雲天籌 AI 求解器團隊成功突破進化算法設計瓶頸
針對進化算法自動設計這一難題，華為雲天籌 AI 求解器團隊聯合華為諾亞方舟實驗室，基於自主創新的智能體 ScienceFlow，賦予 Agent 自主探索能力，使其能夠真正像算法專家一樣自主思考與實驗。其核心技術突破體現在：
自適應研究路線：智能體依據性能反饋自主決定是否沿當前算法設計方向繼續深挖，靈活探索不同的研究路線；信號感知與智能止損：在實驗推進中實時感知收斂速度、種羣多樣性、局部探索飽和度，一旦判斷當前路線趨勢不佳，立刻回退止損，減少計算資源消耗；經驗折疊與自我思考：智能體將探索過程中的各種方案、搜索策略等記錄並轉化為經驗資產，在後續探索時回溯已有經驗，實現算法探索的自我思考。
通過上述機制，智能體自主發現的 AMGE 算法在多模態、非對稱、複合結構等 24 類異質測試函數上均達到了最優性能，展現了 AI 智能體深度參與算法設計的潛力。