算法工程师要失业了？阿里和浙大联手提出Astar，用AI指导AI系统进化

此前，AI系统迭代过程中唯一未被自动化替代的核心环节，是算法工程师发现改进方向的创造力——模型下一步该如何优化，长期高度依赖工程师的经验与直觉。如今，这一核心环节也迎来了AI助力的可能。

阿里浙大联合发布AI进化专属大模型Astar

不同于通用大模型给出的泛化“万金油”优化建议，阿里与浙江大学联合推出的Astar是专门用于指导AI系统进化的大语言模型，其核心能力来自对AI系统自身“进化血泪史”的深度学习：那些散落在版本历史中的代码提交记录、实验结果数据等真实演化经验，都会被Astar内化吸收，进而根据当前AI系统的状态，自适应探索出最具价值的未来演化方向。实践中，Astar提出新优化方向的效率是算法工程师的10到100倍，且提出的演化方向显著优于人类专家和通用基模的输出，彻底打通了从提出想法、编写代码、模型训练到评估上线的AI进化链路闭环。

Astar落地阿里推荐业务多项指标大幅提升

作为阿里核心的落地场景，推荐系统的迭代优化直接关系到平台交易效率。将Astar应用于推荐业务后，离线HitRatio指标提升23.6%，在线GMV指标提升4.86%，优化效果十分显著。
以系统真实迭代中的一个典型案例为例：业务团队此前尝试在训练中引入新一代Muon优化器，该优化器的正交化特性可以将梯度各方向的权重“拉平”，在干净数据场景下表现优异，但充满噪声和随机性的推荐场景中，这种“一刀切”的特性反而放大了本该被抑制的噪声。面对这一情况，通用的修改建议往往是“调整学习率”或“退回Adam优化器”，而Astar给出了极具针对性的改造方案：在正交化之前先做频谱降噪，利用随机矩阵理论中的马琴科-帕斯图尔定律计算出数学边界，高于边界的信号正常拉平，落入噪声分布区间的信号直接压制，既完美保留了Muon优化器的优势，又解决了噪声放大的问题，且没有增加任何额外的训练参数负担。

四大技术挑战下Astar实现全链路突破

要真正实现AI自主指导系统进化，团队需要跨越四重核心挑战：

• 数据样本稀缺：单仓库真实迭代记录有限，相邻两次提交的改动可用的监督样本极少
• 无效数据冗余：大量代码提交属于加日志、换文件路径、清理无用代码等非核心改动，直接喂给模型难以学到核心的算法演化逻辑
• 改进空间浩瀚：模型的改进方向浩如烟海，涉及架构、损失函数、优化器等海量选择，每个大方向下还有无数微操选项
• 验证成本极高：真实验证实验跑一次需要数天时间，强化学习试错所需的验证成本难以承受
  针对这些挑战，Astar团队设计了一套巧思十足的流水线：通过两两组合提交记录的方式生成更多训练样本，解决数据稀缺问题；过滤非核心代码提交，只保留核心算法演化数据作为训练素材；结合强化学习机制探索高价值的改进方向；同时搭建“建议-验证-反哺”的闭环系统，让实验验证结果回流成为训练数据，逐步降低后续验证成本。

AI指导AI的进化闭环正式跑通

Astar的价值不止于单次给出高质量优化建议，团队为其设计了精妙的闭环运转机制：Astar提出演化方向→Code Agent编写代码跑实验→验证结果回流→重新作为训练数据反哺Astar。这意味着Astar是一个“活着”的模型，会随着AI系统的演进同步提升指导能力，让“优化决策”第一次拥有了可训练、可迁移的路径。
这一进展也并不意味着算法工程师即将退场，反而昭示着更高级的新分工模式正在到来：当繁琐的调参、试错验证工作被Astar这样的模型接管，算法工程师将从重复劳动中解放出来，将更多精力投入前沿架构突破、全新业务范式定义，以及设计更聪明的“造物飞轮”上。AI系统的自动化进化之路才刚刚开始，而在这场探索中，算法工程师的智慧依然是不可或缺的领航者。