現代計算底座與張量化並行演化

現代演化計算面對一個結構性矛盾：演化的有效性依賴種群多樣性，而多樣性會直接轉化為評價次數、狀態管理與調度成本；傳統以 CPU 迴圈逐個體執行的方式，很快就會在吞吐上觸頂。現代計算底座的應對方式，是把種群、評價與狀態重新組織成可整體計算的張量，用 GPU 上的批量並行取代逐個體迴圈，從而在同一輪內同時推進大量候選。

為什麼串行迴圈會先觸頂

在串行實現中，一次迭代需要為每個個體單獨呼叫目標函數、單獨更新狀態、單獨記錄日誌。當種群規模從數十增長到上千時，評價次數按規模線性增長，牆鐘時間也幾乎同樣線性增長；一旦單次模擬（例如高精度氣動計算）代價高昂，整體吞吐就被鎖死在「單核節奏」上。多樣性越高、評價越貴，串行瓶頸就越明顯。

張量化：把種群、評價與狀態組織成張量

• 種群張量：把全部候選的參數堆疊成二維張量（個體數 × 維度），一次算子呼叫即完成全種群的變異與更新，而不是逐個迴圈。
• 評價張量：把批量評價請求打包下發，由 GPU 或批次處理服務並行執行後合併返回值。
• 狀態張量：把適應度、約束違背量、排名等中間狀態以張量形式維護，使選擇、排序與更新都能整體計算。
• 批量並行：以上三點合起來就是本頁的核心術語——批量並行。它把「多樣性帶來的計算量」從負擔變成可被吞吐吸收的規模，因此不是最佳化細節，而是現代演化計算的基礎設施問題。

大模型把候選生成推到新的邊界

當計算規模被打開後，關鍵問題就從「能不能算」轉向「候選從哪裡來」。大模型能理解自然語言、程式碼、領域知識與專案上下文，並據此建構結構複雜的候選，使演化對象從一組數值參數擴展到程式、演算法乃至完整系統狀態。過去依賴人工設計的編碼與變異方式，開始可以由模型參與生成。兩股力量由此相遇：GPU 讓大量可能被同時探索，大模型讓系統產生更豐富的可能，而演化機制則把候選送入真實任務，透過執行與評價決定哪些變化值得保留。

一次系統級架構取捨

對演算法工程師與系統開發者而言，上述變化帶來的不是局部最佳化，而是架構取捨：需要在候選生成的豐富性、批量計算的吞吐與工程複雜度之間做系統級權衡。多樣性是演化有效性的前提，但它必須由吞吐來消化。