Astar學習系統進化歷史
阿里巴巴與浙江大學日前聯手發表一項名為「Astar 學習系統進化」的全新方法，讓機器能夠從過往的程式碼提交記錄與實驗結果中自主學習優化經驗。這套系統的核心在於將開發者長期累積的算法調整歷程轉化為可重複利用的知識，進而引導後續的演算法改良方向，標誌著算法工程自動化領域的重要進展。在傳統開發流程中，工程師往往需要耗費大量時間手動調整參數、嘗試不同的演算法結構，並依賴個人直覺與經驗判斷下一步該如何修改。這種「手動調參」模式不僅效率低落，而且高度仰賴頂尖人才的直覺，難以規模化複製。
Astar 系統的出現，正是為了解決這個長久以來的痛點：它讓機器從歷史數據中自動提煉出優化路徑，從而加速迭代速度，同時降低對資深工程師的依賴。在技術架構上，Astar 採用三級提示機制，逐步縮小搜索空間，避免無效嘗試。首先是粗粒度提示，系統會根據過往大量的程式碼提交記錄與實驗結果，篩選出可能的改進方向，例如判斷當前問題適合更換優化器、調整學習率，還是修改網路層數。這個階段只提供大致方向，不會深入細節。接著進入第二級提示，系統將方向逐步細化，針對具體參數或結構調整提出建議。
例如，若粗粒度提示指向「調整學習率」，第二級就會進一步分析歷史數據中哪些學習率區間曾經帶來正面效果，並給出一個較窄的搜索範圍。到了第三級，系統會給出非常精確的修改建議，甚至可以直接嵌入程式碼中，讓工程師一鍵套用。除了三級提示之外，Astar 還引入獎勵模型對候選方案進行快速評估。傳統方法往往需要實際跑一次完整訓練才能知道修改效果，耗費大量算力與時間。獎勵模型則能在不耗費大量運算資源的前提下，從眾多可能性中挑選出最具潛力的改進策略。具體來說，系統會根據歷史數據中每筆修改的後續表現，訓練出一個能夠預測修改效益的模型，然後用它來過濾掉明顯無效的選項，只保留最有希望的方向。
這項研究的關鍵意義在於，過去仰賴人類工程師直覺與經驗判斷的「下一步該怎麼改」決策，如今開始被模型接管。從歷史數據中提煉出的優化路徑，不僅能加速迭代速度，也降低了對頂尖人才的依賴。對於中小型團隊或新創公司來說，這意味著他們不需要擁有頂尖的調參專家，也能在合理的時間內開發出高效能的演算法。值得注意的是，Astar 系統的學習能力會隨著時間持續進化。每一次成功的修改都會被記錄回資料庫，成為未來訓練的養分；每一次失敗的嘗試同樣會被分析，避免後續重蹈覆轍。這種閉環式的自我改善機制，讓系統在面對新的演算法開發任務時，能夠越來越精準地給出建議。
從應用場景來看，Astar 系統可以涵蓋機器學習模型的超參數調整、神經網路架構搜尋、甚至是傳統數值演算法的優化。無論是學術研究中的論文復現，還是工業界的產品迭代，只要開發者累積了足夠的程式碼提交歷史與實驗結果，就能導入 Astar 進行自動化輔助。阿里巴巴與浙江大學的研究團隊表示，目前 Astar 系統已在內部多個專案中進行測試，初步結果顯示，使用該系統的團隊在相同時間內可以探索的演算法變體數量增加了數倍，而最終模型的效能也普遍優於純手動調參的對照組。團隊正計畫將這套系統開源，讓更多開發者能夠參與貢獻與使用，進一步加速整個業界的演算法開發效率。
隨著 Astar 系統持續進化，未來演算法開發可能從「手動調參」完全轉向「數據驅動的自動調優」新階段。這不僅代表著工程師的工作模式將發生根本性改變，也暗示著人工智慧領域的下一波突破，可能不再來自於某個天才的靈光一現，而是來自於無數次實驗數據的累積與機器自我學習的結晶。對於整個科技產業而言，這項技術的普及將大幅縮短從理論到產品落地的時間，讓更多創新能更快服務於市場。
Related
相關文章
消息稱 Anthropic 低調建立生物實驗室，借 AI 推進藥學研究
作者：清源 責編：清源 評論： 9 月 18 日消息，路透社今天（18 日）晚間援引知情人士消息稱，Anthropic 在舊金山灣區低調建立了一座溼實驗室，把 AI 業務進一步延伸到需要實際動手操作的生物學研究和藥物科學領域。知情人士透露，在公眾對 AI 風險愈發擔憂之際，Anthropic 開始在溼實驗室進行實體實驗。Anthropic 此前提出，希望藉助 AI 推動罕見病治療方法的發展，公司的生物學研究也從“計算機模擬”和計算機評估進一步走向真實實驗。注：溼實驗室是一個科學概念，與“幹實驗室”相對。相比干實驗室，溼實驗室在實驗中需要用到較多的化學試劑。相比之下，幹實驗室則注重通過各種儀器進行計算，以歸納出實驗材料的物理模型。Anthropic 生命科學負責人埃裡克 · 考德勒-艾布拉姆斯證實了溼實驗室的存在。“我們認為，生物學研究最終還是要接受真實實驗室工作的檢驗，而且未來一段時間都會如此。我們現在確實在做這些工作。整體模式和大多數生物科技公司類似，一部分在自己的設施裡完成，另一部分則與外部合作伙伴共同開展。”Anthropic 發言人又進一步補充，這座實驗室並非專門用於藥物發現，並拒絕進一步說明具體用途。知情人士稱，建立溼實驗室只是 Anthropic 邁向更大目標的一小步。Anthropic 希望攻克其認為製藥行業忽視的疾病，公司也希望在員工和公眾失去對 AI 價值的信心之前拿出成果，因為 AI 可能導致崗位消失，甚至威脅人類生命。不過，任何藥物研發項目都無法保證成功，大多數候選藥物最終都無法通過臨床安全性和有效性試驗。這項工作對 Anthropic CEO 達裡奧 · 阿莫迪還有一層個人意義。
阿里達摩院開源全球首個專家級通用醫療影像 AI 模型 DAMO RADAR：可一次性識別超 146 種病症，成果登《科學》
作者：沁滄（實習） 責編：沁滄 評論： 感謝網友 files 的線索投遞！9 月 18 日消息，阿里達摩院今日宣佈，與浙江大學醫學院附屬第一醫院等機構研發出的通用醫療影像 AI 模型 DAMO RADAR，登上國際頂級學術期刊《科學》(Science)。
零樣本幹活！Figure 機器人走進 30 個陌生家庭，整理客廳、折毛巾、鋪床
AGI...智客Z...2026.09.18 15:08 · 來自北京全文3855字00:00 / 11:06美國人形機器人公司Figure發佈Helix 2.5，將其稱為最先進的神經網絡。人形機器人真正走向家庭，難點或許從來不是“會不會做家務”，而是換一個家庭之後，它還能不能繼續做。
AGI最難一戰，竟在醫院！中國AI登上Science，醫生不怕失業還催著上線
。 2016年，Hinton老爺子就預言：“人們現在就應該停止培養放射科醫生。”他甚至認為，五年內，AI就會在醫療影像識別上超過放射科醫生。 老爺子一生謹慎，但歷史和他開了個玩笑。十年過去了，人們離AGI已經越來越近，但在醫療場景裡，即使圖像識別這樣的AI新手村任務，依然是hard模式。 如果從IBM的Watson算起，在醫療上遭遇滑鐵盧的AI專家數不勝數。
AGI最難一戰，竟在醫院，中國AI登上Science，醫生不怕失業還催著上線
我没办法凭这条标题写出符合要求的完整新闻稿,原因很直接: 现有"可用资料"其实只有一行标题,正文是空的。后面的内容全是的侧边栏推荐和网站导航(Anthropic华人、Manus估值、腾讯投资药企等),跟这条新闻没有关系。 如果硬写 900–1600 字,我就得自己编造这些关键事实: 是哪个团队、哪家医院、哪篇 Science 论文 论文的具体方法和结果数据 医生"催着上线"的具体场景和原话 这些一旦写出来就是假新闻,我不做这个。
AI製藥獨角獸Anew單飛，字節推了一把“最燒錢的慢生意”
Reuters：Anew Labs完成首輪外部融資2.9億美元、投後估值15億美元，HSG、IDG Capital、GL Ventures、五源資本等機構入股，字節跳動融資後持股56%。2. IQVIA 2026年分析：經確認有AI參與的新興生物科技項目I期、II期臨床成功率比較，及樣本有限的說明。3. 《Nature Reviews Drug Discovery》2026年8月Perspective：AI方法與基準測試大量出現，臨床相關性影響證據仍然有限。4. Deloitte全球大型生物製藥公司晚期研發管線年度研究：2025年平均藥物開發成本約26.7億美元，計算含研發失敗成本。