谷歌DuoDiscover AI优化代码加速比达人类专家2倍

一次代码优化评估动辄 85 分钟，一次 CPU 微架构设计评估时长高达 28 小时… … 当 Coding Agent 提出的方案远多于系统能够验证的数量，即使搜索能力极强，获取反馈的成本会把整个搜索进程卡住。 一种自然的思路是：是否可以只评估代码中真正影响性能的部分？ 例如，如果修改的是某个 GPU 内核中的矩阵乘法，就先单独测量这一部分，而不是每次都运行整个工作负载； 如果优化的是推理服务的调度器，就构建一个简化的负载模型，先快速判断不同调度策略的优劣。

然而，仍有两个难题亟待解决：1）系统必须找到真正值得优化的代码区域； 2）局部测试或简化模型必须能够正确判断候选方案的相对优劣。 日前，谷歌团队及其合作者提出了 DuoDiscover，试图从根本上解决这个问题，其关键创新就是让 AI 同时寻找优化目标和适合这个目标的廉价评估器，并持续检验这些评估器是否仍然可靠。

在 SWE-fficiency 基准上，DuoDiscover 的几何平均加速比达到 15.02 倍，是人类专家补丁的 6.90 倍的两倍多，在高度优化的 vLLM 和 SQLite 上仍取得 1.92 倍和 1.38 倍提升； 在 NVIDIA SOL-Exec 的 235 个 GPU 内核中，其中 121 个排名第一；

更在单次评估长达 28 小时的 CPU 微架构任务上超越基于 AlphaEvolve 的方案，仅用 16.7 天，收益就达到基于 AlphaEvolve 的方案耗时 40 多天所得的 1.65 倍。 DuoDiscover 将优化过程拆分为快、慢两个循环。 快循环负责高频试错，Agent 修改目标区域，通过代理评估器打分； 如果分数改善，就保留修改，否则回退。 慢循环负责真实验证，系统将有希望的候选方案送入完整评估，确认实际收益，并重新检查代理评估器的可靠性。

两者形成互补，廉价评估负责扩大搜索范围，昂贵的真实评估负责保证最终结果可信。 DuoDiscover 的协调器不负责预先把整个问题拆成固定任务，而是管理多个自主探索的 Agent。 它主要执行三类操作：终止长期没有进展的 Agent； 在有前景或尚未探索的目标上启动新 Agent； 将其他 Agent 已确认有效的修改传递给新 Agent，或向运行中的 Agent 通报其他 Agent 的发现。

在 SWE-fficiency 的 100 项任务上，DuoDiscover 达到 15.02 倍几何平均加速比，高于人类专家补丁的 6.90 倍、Claude Code 的 12.81 倍和 PerfAgent 的 12.27 倍。 在 SOL-Exec 的 235 个 GPU 内核中，DuoDiscover 平均 SOL 得分为 79.74%，121 个排名第一，212 个进入前三。

在 8 张 NVIDIA B200 GPU 上运行 GLM-5.2 推理服务时，团队同时优化解码延迟、首 Token 延迟、功耗和吞吐量。 DuoDiscover 仅用 7 次真实评估就达到 1.92 倍的综合收益。 在 DPC4 数据预取器设计任务中，DuoDiscover 的总体性能增益为 6.31%，超过 AlphaEvolve 驱动的 ArchAgent v2 和最佳人类方案 BertiGO。 需要注意的是，实验优化目标为 CPU 微架构中的数据预取器，而不是整个 CPU 的设计。

这项研究也存在一些局限性。 例如，如果代理评估器失效，仍需要真实评估兜底。 在分析样本中，41% 的仓库任务代理评估器和 45% 的内核代理评估器后来因排序漂移被作废。 如果找不到可靠的代理评估器，就只能退回昂贵的标准搜索。 同时，优势依赖评估成本和搜索预算。 构建代理评估器、积累验证样本都需要预热时间。 在评估预算特别小的场景中，这套机制的优势会减弱。 当一次真实评估要跑几十分钟甚至一整天时，寻找一个好的代理评估器，可能与寻找一个好的优化方案同样重要。