为什么 AI 进不了自动驾驶,却把基因测序错误率压低了 30%?

自动驾驶被业界烧了快十年。Waymo、Cruise、特斯拉，加起来几百亿美金，L4 通用乘用至今难产。

还是同一拨公司、同一代模型，这一周却在另一个领域给出了一个具体数字——基因测序的变异检测错误率，被压低了 30%。干这件事的是 DeepMind 这一周发的 AlphaEvolve。

烧的钱差几个数量级。算力、模型、人没差。差别只在评估这一步——是 AI 自己说了算，还是另有一把外面的尺子说了算。

agent 这件事，多数公司还在自批卷子

一个学生考完试，自己给自己批卷子，打 95 分。

放在学校里，这事是过不去的。不是怀疑学生不诚实，是没人会信「判官就是被判的人」打出来的分数。

但这一周市面上几乎所有"agent"，都在干这件事——让对话 agent 自己干活、自己评估干得好不好；或者交给另一个 LLM 来评估——卷子换了个老师批，但跟出题、考试的，还是同一拨人。

打开任何一份热门 agent 框架的介绍，看到的大致是这种：

• 一个对话 agent 调更多工具
• 多个 agent 协作做更复杂的任务
• agent 自己反思、自己规划、自己改 prompt

这些做法的共同点是："什么算好" 这件事长在模型脑子里。模型自己跑、自己评估、自己迭代。所谓"评估"环节多半是 LLM-as-judge——说到底还是自批卷子。

AlphaEvolve 走相反方向。

它是 Gemini 驱动的演化型 coding agent。Gemini 反复改写候选代码，每改一版跑一次评分，分高的留下、分低的丢掉，留下的接着改。一代一代演化，跟自然选择一个套路。

关键不在 Gemini，关键在评分谁打。

DeepMind 的做法是——评分函数显式拆出来，挂在循环外边。不塞进模型，不让模型自评。这把尺子在模型外面：能写、能 debug，也能换成任何外部检测器。

模型在循环里跑，尺子在循环外卡。

30% 不是模型变聪明了，是尺子换了一把

AlphaEvolve 改了 Google Research 一个叫 DeepConsensus 的 DNA 测序纠错模型。变异检测错误率被压低了 30%。PacBio Senior Director Aaron Wenger 这样描述：

"Google 团队用 AlphaEvolve 找到的方案，把我们测序仪的准确率提到了一个有意义的新高度。对研究者来说，更高质量的数据可能让我们看到以前藏在数据里的致病突变。"

这不是 demo 视频里"AI 帮我做了个 PPT" 那种话。是基因测序仪供应链上游在说"我的产品因为这件事变好了"——这种话从 PacBio 这个级别的公司嘴里说出来，每一个字都过了法务。

它做成的原因不是 Gemini 比上一代聪明 5%。是评估器：AI 改一版代码，跑一次 DeepConsensus，错误率降了就保留，没降就丢掉。评估器就是真世界的尺子。

同一套办法 DeepMind 还在数学猜想、电池材料、矩阵乘法、数据中心调度里跑通了。具体数字没披露，但同一个套路能在差异这么大的五个领域都跑通——evaluator 拆到循环外不是基因测序专属，换个领域照样能用。

自动驾驶为什么不行——CASP 比它早 30 年答了同一道题

回到自动驾驶。

最难的不是感知模型不够强，是没人能把"一次好驾驶" 显式拆成评估器。Disengagement、MPI、Route completion 都是 proxy，不是真世界尺子。模型越大，没有评估器照样在 corner case 里打转。

蛋白结构预测的故事正好相反。AlphaFold 能被 DeepMind 攻下来，不是因为模型聪明 5 倍，是因为 CASP 赛事 30 年下来已经把"什么是好的结构预测"写成了一组可量化指标——GDT_TS、TM-score。模型撞上去就能涨分。尺子在那儿等了 30 年。

基因测序的故事也一样。错误率是物理可测的，跑一次就出数字。

有尺子的领域，AI 会一直涨分。没尺子的，砸再多算力都进不去。

对开发 AI agent 的启发

通用 agent 这条路会继续跑。算力会更便宜、模型会更聪明、对话框会变成更复杂的工作流。

但 agent 真正落到产业里、在医疗、能源、芯片、材料里做出真指标的那条路，跟"对话框更聪明" 没关系。它跟"这个领域有没有一把能写下来的尺子" 有关。即是否有目标函数——只要能评估，AI agent 就能不断推进到最优路径。

所以我们做 AI agent，下面三个问题务必先搞清楚：

1. 评估器是什么？
2. 它在循环里还是循环外？
3. 评估器的输入是真世界数据，还是另一个 LLM 的判断？

第三个问题最难答。多数 agent 框架到这就卡住。