Codex 原生支持 EvoX：只需对话，AI自动完成算法设计、代码迁移与论文级实验

演化计算，正在进入 AI 原生时代。

EvoX 是分布式 GPU 加速的演化计算框架，开源后在 GitHub 获得超 2.4k Stars。通过统一的 Algorithm、Problem 与 Workflow 接口，EvoX 将种群搜索、批量评价、实验运行和 GPU 加速组织在同一套计算体系中。从单目标与多目标优化，到神经进化、强化学习和复杂系统设计；从一次算法运行，到批量实验、分布式计算和现代 GPU 加速，EvoX 代表了当下 GPU 加速演化计算框架的形态。

自开源以来，EvoX 始终围绕一个清晰的使命演进：

为演化计算构建下一代基础设施，专门面向现代硬件和大规模计算而设计。

序幕：自然语言成为 EvoX 的新入口

经过多年的持续开源，EvoX 已将接口、文档、案例和编程范式沉淀为公开、结构化且可执行的技术资产。这些内容既能被开发者学习，也天然适合被通用 AI 阅读、理解并转化为代码。在具备代码读取、生成和执行能力的环境中，以 ChatGPT、Gemini、Claude 为代表的主流模型，可以识别 EvoX 的核心接口，并根据自然语言要求完成环境配置、问题建模、算法开发、代码迁移、批量实验和性能优化。

EvoX 不是为大模型时代临时包装出来的工具，它与大模型生长在同一片土壤，是开放技术生态的一部分。

过去，研究者必须先学习框架，再把自己的问题翻译成框架能够理解的代码。现在，这个过程开始反转。本文示例中，从自然语言建模、算法迁移，到无反向传播控制和 GPU 张量化加速，Codex 负责把人的意图转化为实现，EvoX 则为这些不同任务提供统一的算法、实验与并行计算底座。

人定义问题，Codex 完成实现，EvoX 让算法真正运行、演化并加速。

起点：从安装框架，到直接描述问题

1. 一句话，进入 EvoX

从最简单的一句话开始：

帮我装好 EvoX。

Codex 安装并验证 EvoX

无需查找官网、安装命令或依赖版本，更无需告诉 Codex 什么是 EvoX。Codex 会检查现有 Python、PyTorch 和 GPU 环境，选择合适的安装方式，并完成基础验证。用户无需在框架学习和环境配置上消耗精力，转而专注于描述真正需要解决的问题。

2. 模糊需求，变成完整的演化计算任务

现实问题往往不存在”决策变量、目标函数和约束条件”，我们通常只有”自己现有什么、自己想要什么”的模糊语句，例如：

用 EvoX 写个算法求解以下问题：一个仓库机器人从入口移动到出口，途中需要避开货架。构造一个固定、可复现的典型仓库布局，为机器人找到一条尽可能短、没有碰撞且转弯平滑的路线，运行实验并把优化过程可视化。

仓库机器人路径规划的自然语言请求

没有定义数学模型，也没有说明调用哪个算法，面对这段接近口语的模糊描述，Codex 补全了仓库布局，将”短、无碰撞、转弯平滑”转换为目标与约束，并完成路线编码和实验程序。EvoX 在其中提供了完整的演化计算骨架：

候选路线被组织为种群
目标函数通过 Problem 接口批量评价
NSGA-II 负责迭代搜索
Workflow 统一连接算法、问题和监控过程

仓库布局、优化路线与演化进度

最终得到一条可复现、可评价、可视化的无碰撞路线。

当然，简单的将我们意图翻译为翻译成 EvoX 可执行的演化计算过程并不能满足我们的全部需要，在研究场景下 EvoX 具备更多更强的能力。

深入：从代码生成，到论文实验研究

3. 从单次运行，扩展为可复现的算法实验

单一程序的运行只能说明实现没有立即失败；要做出可信的科研实验，需要统一评价预算、多次独立运行、记录收敛过程、计算标准指标、进行统计检验，并清楚说明结论成立的边界：

用 EvoX 完成多目标算法对比实验：统一预算、30 次独立运行，比较 NSGA-II、MOEA/D、HypE、AGE-MOEA 与随机搜索。按 IEEE TEVC 常见实验规范进行 HV/IGD+、效应量和非参数统计分析，生成包含收敛曲线、Pareto 前沿和结论边界的可视化报告。

多目标对比的自然语言请求与 Codex 摘要

Codex 据此组织实验，EvoX 则让 NSGA-II、MOEA/D 和 HypE 在统一的问题接口、种群规模和评价预算下批量运行。每次实验产生的性能指标、收敛过程和最终解集，都被纳入同一套记录与分析方式。

EvoX 多目标基准测试（30 次独立运行）

图示上半部分展示算法的收敛过程，下半部分展示最终解集与 Pareto 前沿的关系。当然，AI 完成的结果需要审查核对，但演示完全能够说明在一次持续对话中我们可以借助 EvoX 组织完整的研究流程，把一次运行扩展为可比较、可复现的算法研究。

4. 从解释已有，到继承研究

科研并不总是从零开始。大量有价值的算法仍然存在于 PlatEMO 等代码仓库中。将它们迁移到 EvoX 的计算框架，需要重新理解状态组织、种群更新、算子调用、评价接口和实验流程。利用 Codex 等 AI 工具能够实现已有代码的便捷移植，你可以提供任意代码，比如：

读取该目录下的入口文件和相关辅助函数，解释算法流程，将其迁移为 EvoX 的实现，并通过标准多目标基准问题进行实验验证。

Codex 对 PlatEMO AGE-MOEA 的解释与迁移

Codex 重新实现了极点检测、目标归一化、前沿几何估计和生存评分，并按照 EvoX 接口组织种群状态、适应度评价、交配和环境选择。迁移后的 AGE-MOEA 可以直接复用 EvoX 的交叉、变异和选择算子，接入标准 Problem 与 Workflow，并与平台已有算法共享同一套运行和监控方式。

AGE-MOEA 在 ZDT1 和 ZDT4 上的验证

标准基准验证表明，迁移后的算法能够在 EvoX 中正常演化并逼近参考 Pareto 前沿。由此，原本依赖 MATLAB 的算法，变成了可在 PyTorch 生态中继续复现、比较、扩展和加速的 EvoX 实现。

以上案例表明 Codex 不仅仅帮助用户使用 EvoX，更开始借助 EvoX 组织规范实验，并承接已有研究资产。但演化计算的边界，并不止于传统优化算法。

拓展：从优化参数，到扩展可演化对象与计算边界

5. 演化什么，由你定义

EvoX 的层次化、模块化设计决定了其强大的兼容性——只要一个任务能够表示为”候选方案—批量评价—迭代更新”，就能够接入 EvoX。被演化的对象完全由你自主定义，可以是一组数值，也可以是一条路线、一个神经网络、一种控制策略，甚至是一整片具有不同特征的设计空间。

比如经典控制+神经网络微调：

用 EvoX 演化一个不使用反向传播的小型神经网络控制器，让小车学会保持倒立摆平衡。完成最小可运行实现，输出训练曲线和最终控制动画。

Codex 关于 EvoX CartPole 实验的摘要

Codex 构建了 CartPole 环境和一个仅有 49 个参数的小型网络。EvoX 使用 OpenES 生成和更新整组候选网络，让它们分别控制小车，并根据保持平衡的时间评价优劣。整个训练不计算梯度，也不调用反向传播。

CartPole 训练曲线

最终进化的 CartPole 控制器

最终，控制器从平均保持约 12.5 步提升到实验设置的 400 步上限，充分展示了 EvoX 可以把模型参数、控制策略乃至外部环境纳入演化工作流，而不仅是求解传统数值函数。

如果你想设计游戏迷宫：

使用 EvoX 和 MAP-Elites 自动生成一整片风格多样的可通关迷宫，按路线绕行程度和分支丰富度绘制迷宫生态图，并与相同预算的随机生成方法对比和可视化实验结果。

MAP-Elites 迷宫生成的自然语言请求与 Codex 摘要

Codex 按要求完成算法设计，EvoX 负责持续生成、评价和筛选候选关卡，并按路线绕行程度与分支丰富度保存不同风格的代表。在 5000 次生成中得到了一组全部可通关、具有不同结构特征的迷宫。

MAP-Elites 多样化可解迷宫集

将 EvoX 与你感兴趣的领域结合，接入你自定义的算法，即可系统性探索具有不同特征的设计方案——从寻找一个答案，扩展到发现一整片可能性。

6. 计算加速：让计算真正发挥 GPU 潜力

此前案例展示了理解问题、生成代码和组织实验，但本案例进一步触及了计算本身。第一次把倒立摆实验切换到 GPU 时，程序反而比 CPU 更慢。原因不是 GPU 算力不足，而是微型网络在每个时间步反复启动大量小型计算，调度开销超过了实际计算量。

于是我们继续输入：

当前倒立摆实验在 GPU 上反而比 CPU 慢。分析性能瓶颈，针对 GPU 对种群评价、控制器推理和环境模拟进行 tensorization 优化；比较优化前后的 CPU 与 GPU 性能，结果可视化。

自然语言请求与 Codex 性能分析

Codex 利用 EvoX 与 PyTorch 重新组织种群评价：将控制器、环境回合和状态保持为批量张量，通过批量矩阵运算和 CUDA Graph 减少零碎的 GPU 调用。优化后，单次 GPU 种群评价从 427.47 毫秒降低到 22.10 毫秒，相对原始 GPU 实现加速约 19.34 倍，并保持评价结果一致。

CPU、eager GPU、张量化 GPU 与 CUDA Graph 的性能

当前实验只有 32 个控制器和一个 49 参数网络，不能代表所有任务的加速比例；但它已经验证了 EvoX 的关键潜力：将候选方案组织成种群、批量评价，并将工作流扩展到 GPU 及更大的计算规模上进行加速。AI 与 EvoX 的协作，已经开始围绕硬件重新组织计算。

从一句话到一套可扩展的演化计算工作流

回看这些案例，EvoX 提供的绝非孤立的算法列表，而是一整套可以持续扩展的演化计算体系：

Problem 让现实任务、仿真器和模型评价进入演化计算；
Algorithm 与算子接口支持已有算法调用和新算法开发；
Workflow 统一连接种群、问题、监控和实验；
PyTorch 生态让种群计算能够继续张量化并迁移到现代硬件；
统一接口让单次求解可以自然扩展为批量实验、算法比较和神经进化。

过去，研究者需要在问题描述、数学模型、框架接口、算法代码、实验脚本、统计工具和 GPU 优化之间不断切换。现在，这些工作可以从一段自然语言开始，并在同一次对话中逐步形成一套完整、可执行、可复现的计算工作流。

人定义目标，AI 组织实现，EvoX 承接演化。

从一句话开始，探索属于你的演化空间。

注 1： 本文以 Codex 作为 AI 编程工具的代表。其他具备代码读取、生成、执行与调试能力的 AI coding agents，也可以按照类似方式理解和使用 EvoX。实际效果取决于所使用的模型、上下文、运行环境和工具权限。

注 2： 本文演示案例使用模型为 GPT-5.5 Terra，智能程度设置为”中等”，推理强度为”中”，速度为”标准”。