算力規模擴大下的候選生成新來源

當算力規模持續擴大，候選生成的方式發生了根本性變化。過去，候選方案往往依賴人工枚舉或單次模型輸出；如今，GPU 並行探索、大模型結構化構造與模型參與編碼與變異共同擴展了候選來源。核心問題不再只是「能否生成一個答案」，而是「哪些變化可生成、可觀測、可保留、可繼承」。

候選生成的三個新來源

• GPU 並行探索：大量可能被同時探索，候選生成從串行試錯轉向並行空間搜尋。例如，在參數空間中同時採樣成千上萬個點，並並行評估。
• 大模型結構化構造：大模型能夠理解自然語言與程式碼，構造出結構複雜的候選方案，而不僅僅是生成文字答案。它可以生成完整的程式、測試案例或系統配置。
• 模型參與編碼與變異：人工編碼和變異方式開始由模型參與生成。候選來源從人寫規則擴展為模型生成規則與結構，例如讓模型提出新的變異算子或編碼策略。

進入演化前的邊界定義

在候選進入演化之前，必須明確定義以下邊界：

• 什麼對象允許被改變：確定可演化的對象，是程式碼結構、超參數，還是整個架構？
• 什麼結果能夠被觀測：定義可觀測的指標，例如準確率、延遲、資源消耗等。
• 什麼標準決定一個變化應當被保留：建立保留標準，通常是一個多目標評價函數或閾值。

分層評價策略

評價需要分層：可並行評價盡量並行；高代價評價用代理模型降低。例如，簡單的效能指標可以在 GPU 上並行計算，而需要真實環境互動的昂貴評價則用代理模型近似，從而在有限算力下擴大搜尋範圍。

可演化結構的識別與成果保存

需要識別現有方法中哪些結構可被進一步演化，而非只調整數值參數。例如，將神經網路中的模組連接方式、程式碼的控制流結構作為可變異對象。同時，必須保存程式碼、測試和驗證證據，使下一輪工作不必從頭開始，避免重複勞動。

接入 EvoX 閉環

當上述邊界清晰，任務可接入 EvoX 閉環：模型提出候選，工具執行變化，環境返回回饋，演化機制完成選擇，Runtime 組織計算，持久系統繼承經受檢驗的成果。這樣，分散的智慧組件得以持續積累，形成不斷進化的系統。