Google Cloud で誰でも利用できるようになった AlphaEvolve で、より困難な課題も解決

※この投稿は米国時間 2026 年 7 月 10 日に、Google Cloud blog に投稿されたものの抄訳です。

世界には、極めて困難かつ価値の高い課題が数多く存在しますが、その多くは最適化に関連しています。今、AI の活用によって、こうした課題の解決が可能になりつつあります。マイクロチップの設計、配送ネットワークの計画、大規模 AI モデルのトレーニング アーキテクチャの最適化などに取り組んだ経験がある方なら、最適なコードを見つけ出すことがいかに困難か、よくご存じでしょう。従来のコーディング手法では、探索対象が広すぎるため、考えられるすべてのアルゴリズムと実装を検討し尽くすことは困難でした。そこで、Google は 昨年、限定公開プレビュー版として AlphaEvolve を導入しました。これは、Google Cloud でより優れたアルゴリズムの設計を可能にするエージェントです。

新着情報: このたび、AlphaEvolve が Gemini Enterprise Agent Platform で一般提供（GA）でご利用いただけるようになりました。AlphaEvolve は、Gemini を基盤として構築されたコードの最適化・発見エージェントで、ビジネスや研究における最も困難なアルゴリズムの課題の解決を支援します。早期アクセス プログラム期間中に、ロジスティクス、半導体、ゲノミクス、ハイ パフォーマンス コンピューティング、金融サービスなど、多岐にわたる分野で検証が行われました。検索対象を体系的に探索し、お客様の課題に最適化されたソリューションを見つけます。

環境内への AlphaEvolve のデプロイは、初期の課題定義から完全に最適化された本番環境コードの作成に至るまで、体系化された 4 つのステップに沿って進められます。

• 定義: 解決したい課題の背景となる知識とともに、ベースライン シード アルゴリズムと課題定義を提供します。

• 測定: 正確性、パフォーマンス、運用上の制約など、課題とって重要な 1 つ以上の指標に基づいて候補プログラムを客観的に評価するスコアリング関数を確立します。

• 最適化: AlphaEvolve のエージェント ハーネスを使用して、最適化されたコードを生成します。

• 適用: 生成された高度に最適化されたアルゴリズムを、本番環境のワークロードとインフラストラクチャに直接デプロイします。

この投稿では、AlphaEvolve を使用してすでに成果を上げている組織の事例と、AlphaEvolve の使用を開始する方法をご紹介します。

組織による AlphaEvolve の活用例

AlphaEvolve は、研究プロジェクトから Google で使用される重要なツールへと成長しました。現在では、世界有数の革新的組織でも、アルゴリズムの課題を解決するために使用されています。

BASF: グローバル サプライ チェーンの最適化に向けたデジタルツインを構築「当社は、決定論的モデルを使用して複雑なサプライ ネットワークのデジタルツインを構築しようと何度か試みましたが、いずれも失敗に終わりました。しかし、AlphaEvolve を使用することで、システムデータに基づいて複雑なネットワークをマッピングできるだけでなく、同時に日常業務を推進する人間の意思決定を理解して再現することも可能になりました。その結果、ネットワーク全体を網羅した、高精度かつ保守が容易で、データドリブンなデジタルツインを実現できたのです。」  - BASF、グローバル サプライ チェーン担当バイス プレジデント、Goetz Krabbe 博士  

BASF が AlphaEvolve を使用して、既存の計画および予測モデルを 80% 以上改善した方法について詳しくは、ブログをご覧ください。

Coolblue: e コマースの需要予測を最適化「Coolblue のデータ サイエンティストは、AlphaEvolve を使用して 28 日間の需要予測パイプラインを直接最適化しました。その際、自動化された特徴量エンジニアリング、ターゲットの前処理、モデル選択に重点を置きました。わずか 200 回のイテレーションで、AlphaEvolve は実運用における生産予測を 5% 以上改善しました（既存のソリューションよりも WMAPE を削減）。これらの成果は、AlphaEvolve が提案し検証した、特徴量エンジニアリングの改善、さまざまな回帰モデルのアンサンブル、より優れたターゲットの前処理によって実現されたものです。十分な在庫を確保するには、短期（最初の 7 日間）と長期（28 日間）の両方において需要予測の精度が高いことが不可欠です。AlphaEvolve は、これら両期間を組み合わせた評価指標と、予測不足に対する厳格なペナルティを導入することで、この課題を解決しました。AlphaEvolve は、大量購入の意思決定を大幅に改善し、数週間先の最適な在庫レベルの維持を支援する能力を実証しました。」- Coolblue、データ サイエンティスト、Cas Ruger 氏

FM Logistic: 倉庫内のルーティングを最適化「Google Cloud と協力して AlphaEvolve および Gemini を実装したことで、スピードが要求される業務においてルーティング アプローチをさらに最適化することができました。既存のアルゴリズムもすでに高度に最適化されていたため、そのベースラインを超えることは困難と思われましたが、上乗せで 10.4% の改善を実現しました。この改善は、納品のスピードアップや、労働条件の改善、車両の劣化軽減に直結しています。」- FM Logistic グループ CIO、Rodolphe Bey 氏

ブログとウェブサイトで、FM Logistic が AlphaEvolve を活用して倉庫内ルートを 10.4% 最適化し、スタッフの移動距離を 15,000 km 以上削減した事例について詳しくご覧ください。

Infineon: チップ設計を最適化「AlphaEvolve を使用した最初の実験は非常に良好で、チップ設計のライフサイクルを変革する可能性が示されました。サロゲート モデリングなどの分野を含め、開発の複数の段階に貢献してくれる可能性を感じています。」- Infineon、CIO、Michael Kollig 氏

JetBrains: IDE のパフォーマンスを加速「AlphaEvolve は、複雑なパフォーマンス作業への取り組み方を変えることができます。以前は時間がかかりすぎて検討できなかった最適化を、日常的にテストできる候補に変えることができます。ベンチマーク、レビュー、リリースの決定権は依然としてエンジニアにあります。検索空間が小さくなるのです。」— JetBrains、エンジニアリング担当ディレクター、Dmitrii Batkovich 氏

Jetbrains が AlphaEvolve を使用して IDE のパフォーマンスを 15～20 % 以上向上させた方法について詳しくは、ブログをご覧ください。

Kinaxis: 最適化と予測のシステムを改善「Kinaxis の研究者は、AlphaEvolve を使用して、高度に成熟した予測および最適化アルゴリズムの速度と品質の両方を大幅に向上させました。初期テストでは、ベンチマーク データセットでランタイムを 90% 以上削減しながら、主要な予測精度指標を 22% 以上向上させることができました。サプライ チェーンがますます複雑化し、予測不可能になる中、AlphaEvolve は世界最大規模の組織がより迅速に、より多くの情報に基づいた意思決定を行い、より自信を持って適応できるよう支援する可能性を秘めています。」- Kinaxis、最高技術責任者、Gelu Ticala 氏

Kinaxis が AlphaEvolve を使用して、予測とランタイムの指標全体で大きな成果を達成した方法について詳しくは、ブログをご覧ください。

Klarna: スループットを 2 倍にしながらモデルの品質を向上「Klarna は、最大規模の ML トレーニング パイプラインの 1 つに AlphaEvolve を適用し、スループットを 2 倍にしながらモデルの品質を向上させました。これはすべて、規制の厳しい金融サービスにおいて求められる厳格な再現性制約の下で行われました。3 週間以上かけて、システムは 6,000 近くの候補プログラムを探索し、エンジニアが試すことのないような、アーキテクチャの大幅な書き換えを発見しました。」- Klarna エンジニアリング チーム

Klarna が AlphaEvolve を使用してトレーニング速度を 2 倍にし、基盤モデルのパフォーマンスを向上させた方法について詳しくは、ブログをご覧ください。

Kuro Games: サーバーサイドを最適化「Kuro Games の基本原則は、AI は作業を高速化するだけでなく、質を高めるものであるべきだという点にあります。AlphaEvolve は、まさにその理念を実証するものです。複雑なバックエンド最適化の課題に適用したところ、特定のサーバーサイド ワークロードにおいてパフォーマンスが大幅に向上しました。AlphaEvolve は、機械が最も得意とする最適化作業を担ってくれるため、エンジニアは人間にしかできないこと、すなわち素晴らしいゲームの制作に集中できます。」- Kuro Games 最高技術責任者 Lin Chenchen 氏

オークリッジ国立研究所: エクサスケール コンピューティング向けの GPU カーネル生成Google DeepMind の Genesis Mission パートナーシップの下、エネルギー省と協力して、科学ツール向け AI への早期アクセスを提供。

「オークリッジ国立研究所（ORNL）は最近、Google と提携して、世界初のエクサスケール スーパーコンピュータである Frontier に AlphaEvolve をデプロイしました。研究チームは、クラウドベースの大規模言語モデルのコード生成と Frontier の実行環境を橋渡しする、クローズドループの評価アーキテクチャを構築しました。設計されたシステムは、スーパーコンピュータの AMD GPU 上で候補プログラムの生成、コンパイル、実行、検証を繰り返すことで、メモリ、データ レイアウト、ハードウェア同期に関する複雑な相互決定が求められる、混合精度 GPU カーネルを最適化します。この実行可能な検索フレームワークは、提案された構造最適化を数値精度のルールに照らして評価します。

「Google の AlphaEvolve チームとのコラボレーションにより、進化型プログラミングを最高水準のスーパーコンピューティングと組み合わせる方法を早期に確認できました。AlphaEvolve を Frontier で実行することで、多数の最適化候補を並行して探索しました。これには、手作業の最適化だけでは到達できなかった設計空間の探索に役立つ、新しい実装バリアントも含まれます。これは、ますます複雑化する科学ソフトウェアに AI 支援の最適化を適用していく、有望な第一歩と言えます。」- ORNL、シニア コンピュータ サイエンティスト、Oscar Hernandez Mendoza 博士

Old Dominion University: 生物学的加齢死亡率のモデリング「Old Dominion University の Qin Lab は、AlphaEvolve を使用して、生物学的加齢に伴う死亡率をモデル化する Python プログラムの空間を検索しました。これは、支配方程式が複数の経験則にまたがるという、計算生物老年学における課題です。ODU MonarchSphere イニシアチブの一環として Google Cloud の HPC クラスタを利用した AlphaEvolve は、約 500 件の評価を通じて、以下の成果を上げました。その文献に関する事前知識なしに、Kannisto ロジスティック死亡モデル（1990 年代の生物老年学の文献で発表された結果）を独自に再発見したこと、異種減衰率分布を用いることで Emergent Aging Model の複合適合度スコアを 19% 向上させたこと、約 500 件の評価を通じてラプラス スペクトル エイジングによるスケールフリー ネットワーク トポロジにより、Strehler-Mildvan 相関において極めて高い値（0.949）を実証したことです。主な発見は、構造的に多様なモデルがいずれも同一の経験的加齢法則に収束し、ゴンペルツ、ストレラー-ミルドバン、カンニストの規則性が生物学的システムにおける堅牢な誘因点であることを示す証拠が得られたことです。同チームは、この研究を多種多様なデータセットに拡張し、進化したプログラム構造をテスト可能な生物学的メカニズムと結びつけることを計画しています。」- Old Dominion University、コンピュータ サイエンス学部、Hong Qin 博士

PacBio: ゲノム解析の精度向上とコスト削減「Google チームが AlphaEvolve を使用して発見したソリューションにより、当社のシーケンシング機器の精度が大幅に向上しました。研究者にとっては、この高品質のデータによって、これまで隠されていた病気の原因となる変異を発見できる可能性があります。」- PacBio、シニア ディレクター、Aaron Wenger 氏

PacBio が AlphaEvolve を使用して、Google Research が開発した DNA シーケンスのエラー修正モデルである DeepConsensus を改善し、バリアント検出エラーを 30% 削減した方法について詳しくは、ブログをご覧ください。

Pebble: GPU でのサービング パフォーマンスを最適化「推論サービングの最適化は極めて困難な課題です。なぜなら、メモリ、コンピューティング、ハードウェア オーケストレーションといった制約の間で動的に変化する、多次元的なシステム設計上の課題であるからです。NVIDIA の AI Configurator のレイテンシ モデルは、すべてのワークロードに一律に適用される単一の静的な 0.8 の経験的補正係数に大きく依存し、FP8 と BF16 の効率の差異をモデル化していませんでした。そのため、推奨される構成が最適値から逸脱してしまうという問題がありました。AlphaEvolve は、トレーニングの事前段階から GPU パフォーマンス モデリングの定式化を自律的に発見することで、この問題を解決しました。Gemini を活用したこの進化的なアプローチにより、モデルの誤差が大幅に削減され、相対誤差が 56% 以上減少しました。このスムーズで学習された効率化機能を統合し、AlphaEvolve を活用して、手動でチューニングすることなく、次々と登場するハードウェア仕様に継続的に対応していけることを楽しみにしています。」- Pebble、AI 責任者 Keval Shah 氏

Qbraid: 量子コンピューティングの進化「AlphaEvolve は、当社が長年かけて改良してきたエンコード ファミリーから新たな成果をもたらしました。手作業ではとても網羅できないほど広大な設計空間を検索し、読み取り、検証、理解できる結果を返してくれました。AlphaEvolve のようなシステムは、実用的な量子コンピューティングに向けた進歩を大きく加速させるでしょう。」- qBraid、研究開発担当バイス プレジデント Kenny Heitritter 氏

Qbraid が AlphaEvolve を使用して、量子化学計算においてより優れたエラー訂正符号を発見した方法について詳しくは、ブログと論文をご覧ください。

Schrödinger: 創薬のための分子シミュレーションのサイクルを短縮「AlphaEvolve を使用することで、これまでよりも迅速かつ効率的に、より広範な化学空間を探索できるようになりました。MLFF 推論の高速化は、創薬、触媒設計、材料開発における研究開発サイクルを短縮し、数か月かかっていた分子候補のスクリーニングを数日で完了可能にするなど、ビジネスに大きなインパクトをもたらします。」- Schrödinger、ML テクニカル リード、Gabriel Marques 氏

Schrödinger が AlphaEvolve を使用して分子探索の速度を 4 倍にした方法について詳しくは、ブログをご覧ください。

Substrate: 半導体シミュレーションのランタイム速度を加速「AlphaEvolve は、当社の計算リソグラフィ フレームワークの速度と効率性を変革しました。さらに印象的だったのは、これらのモデルが原子レベルまで、将来の自分自身を設計する可能性を示したことです。」- Substrate、CEO、James Proud 氏。

Substrate が AlphaEvolve を計算リソグラフィ フレームワークに適用し、実行速度を飛躍的に向上させ、高度な半導体のより大規模なシミュレーションを可能にした事例の詳細については、ブログをご覧ください。

WPP: キャンペーンの成功の鍵を解き明かす「WPP は、クリエイティブ キャンペーンのパフォーマンスの予測において限界に直面していました。手動によるモデルの最適化では、多大な時間と労力を費やしたにもかかわらず、精度がわずか 1% しか向上しなかったのです。この課題を克服するために、WPP のリサーチチームは AlphaEvolve を活用し、時間のかかる手作業の実験に頼るのではなく、候補となるモデル アーキテクチャを自律的に提案、評価、改良しました。このエージェント フレームワークは、試行錯誤の限界を効果的に回避し、複雑で高次元のキャンペーン データとクラスの不均衡をうまく処理しました。その結果、WPP は予測精度とダウンストリームのレコメンデーション スコアの両方で、5～10%（ユースケースによって異なる）という非常に大きな向上を達成しました。これは、ニューラル モデルやファインチューニングされた Gemma モデルを含む、それまでのすべてのベースライン モデルを上回るものでした。」- WPP、リードデータ サイエンティスト、Anastasios Tsourtis 氏

WPP が AlphaEvolve を使用してデジタル マーケティング キャンペーンの ML モデルを最適化し、予測精度を 10% 向上させ、ダウンストリームのレコメンデーション スコアを最大 7% 向上させた方法について詳しくは、ブログをご覧ください。

Google 独自のインフラストラクチャと科学研究の強化

Google は、外部への展開に加え、最先端の自社インフラをスケーリングするためのコアエンジンとして AlphaEvolve を統合しています。Google DeepMind が詳しく説明しているように、AlphaEvolve は、次世代の Tensor Processing Unit（TPU）のシリコン設計を、直感に反する非常に効率的な回路レイアウトで最適化することに成功しました。また、Google Spanner のログ構造化マージツリーの圧縮ヒューリスティックを改良して書き込み増幅を 20% 削減したほか、新しいコンパイラ最適化戦略によってソフトウェアのストレージ使用量を 9% 近く削減しました。さらに、このエージェントは科学研究に重要な貢献を果たしており、20 の自然災害リスク カテゴリ全体で予測精度を 5% 向上させ、Google の Willow 量子プロセッサで複雑な分子シミュレーションを実行するためのエラー率が 10 分の 1 の量子回路を発見しました。

Google Cloud のチーフ サイエンティスト兼 Google DeepMind のサイエンス担当バイス プレジデントである Pushmeet Kohli は、次のように述べています。「AI は、作業の効率を上げる生産性向上アシスタントとしての役割を超えて、私たちが達成できることの可能性を広げる発見エンジンへと進化しています。AlphaEvolve のようなツールは、複雑な計算探索空間を自律的にナビゲートすることで、研究者やエンジニアが人間の直感を補強する画期的なアルゴリズムを発見するのに役立っています。」

今すぐコードベースの進化を始めましょう

AlphaEvolve の使用を開始するには、次の 2 つを用意するだけです。

1. シード プログラム: コードとして記述された初期アルゴリズム。最適化の対象となるコードのセグメントを指定し、AlphaEvolve に提供します。

2. 評価ツール: 決定論的なクライアントサイドの評価スクリプト。変異した候補をコンパイル、テスト、スコア付けし、AlphaEvolve が最大化を目指すべき 1 つ以上のスカラー指標を返します。

クライアントサイドのランナーは AlphaEvolve API にクエリを実行して、変異した候補ソリューションを取得し、クライアントサイドの評価ツール（どこでも実行可能）で実行します。そして、得られたスコアをAlphaEvolveに送信し、そこからサンプリングを行います。

AlphaEvolve を使用するには、ドキュメントを参照することをおすすめします。オンボーディング ガイドを使用して AlphaEvolve API をすばやく設定したら、基本的な Colab のサンプルを使ってリポジトリを確認し、AlphaEvolve ヒューリスティックの仕組みを理解することをおすすめします。エージェント ワークフローについては、Antigravity や Claude Code などのお好みの IDE で AlphaEvolve Skill を使用することで、簡単に開始できます。より複雑なテストについては、ベスト プラクティス ガイドや高度なサンプルなど、AlphaEvolve の詳細なテスト ワークフローを実行するための追加リソースを提供しています。

- Google、グループ AI プロダクト マネージャー兼エンジニア、Anant Nawalgaria

- Google、スタッフ AI ソフトウェア エンジニア、Laurynas Tamulevičius