NVIDIAが自社のサプライチェーン最適化に使っているオープンソースのエージェントワークフローが、2026年5月4日に公開されました。
GPUで動作する最適化エンジン「NVIDIA cuOpt」にLLMエージェントを組み合わせ、自然言語で書いた業務要件を数秒で数理モデルに変換して解を得るという仕組みです。
この記事でわかること
- NVIDIA cuOptとは何か、何が速いのか
- NVIDIAが社内で使うマルチエージェント構成の全体像
- セットアップから最適化実行までの5ステップ
- 利用に必要な環境と料金
サプライチェーン最適化が「数週間」かかる理由
製造業や物流業のサプライチェーン最適化は、従来はオペレーションズリサーチ（OR）の専門チームが担ってきました。需要予測、製造キャパシティ、在庫コスト、輸送費などの変数を数理モデルに落とし込む作業は、問題の規模が大きいほど複雑さが増し、モデル構築だけで数週間かかることも珍しくありません。
さらに、完成したモデルは条件が変わるたびに修正が必要で、状況の変化に素早く対応できないという構造的な問題がありました。
NVIDIA cuOptとLLMエージェントを組み合わせたアプローチは、この2つの課題をまとめて解消します。
NVIDIA cuOptとは
https://github.com/NVIDIA/cuopt
GPUで動作する意思決定最適化エンジンです。線形計画（LP）、混合整数計画（MIP）、車両経路問題（VRP）、二次計画（QP）に対応しています。Apache 2.0ライセンスでオープンソース公開されており、pip、Docker、Conda、NVIDIA NGCから導入できます。
CPUベースのソルバーと比べた性能目安は以下のとおりです。
- LPソルバー：平均70倍高速、最大3,000倍
- MIPソルバー：最大60倍高速（SimpleRose社実測）
- VRP：動的ルーティングで240倍の高速化（Lyric社実測）
このGPUの並列処理能力を活かし、従来であれば数時間から数日かかっていた最適化計算を秒単位に短縮します。
NVIDIAの公式ブログによると、Kinaxisは半導体計画モデル（約5,000万の決定変数）においてcuOpt統合後に計算時間を最大12分の1に削減したと報告しています（参考）。
NVIDIAが社内で使うマルチエージェント構成
今回公開されたリファレンスワークフローは、NVIDIAが自社のサプライチェーンに実際に適用しているアーキテクチャをベースにしています。
構成の中核は「エージェントスキル」という概念です。スキルとは、特定の最適化タスク（生産計画、在庫最適化、ルート最適化など）をカプセル化したモジュールで、LLMが状況に応じて動的に呼び出すことができます。
LLMとして推論を担うのはMiniMax M2.5です。エージェントフレームワークにはLangChain Deep Agentsを使い、複数のサブエージェントを階層的に管理します。オーケストレーションエージェントが目標を受け取り、データ検証・モデル定式化・cuOpt呼び出しの各タスクにサブエージェントを割り当てる構造です。
エージェントスキルは「NVIDIA/skills」リポジトリでオープン形式で公開されており、cuOptだけでなくNVIDIAのCUDA-Xライブラリ全般に対応するスキルが集められています。どのAIエージェントフレームワークからでも利用できる設計です。
セットアップから最適化実行までの5ステップ
ステップ1：環境構築
NVIDIA GPUを搭載したマシンにNVIDIA Container Toolkitをインストールします。自前のサーバーがない場合は、NVIDIA Brev Launchableを使うと、クラウド上にJupyter Notebookつきのプリ設定済みGPUインスタンスを起動できます。
その後、cuOptエージェントパッケージと依存ライブラリをインストールします。アプリはDockerコンテナとして提供されており、Docker Composeコマンド一つでUIとトレーシング（Phoenix）が起動します。
ステップ2：エージェントの初期化
MiniMax M2.5の推論エンドポイントを指定します。外部ホスト型エンドポイントの利用も可能ですが、性能重視の場合はNVIDIA NIMとしてローカルにデプロイします。その際の推奨構成はNVIDIA A100 Tensor Core GPU×8枚です。
ステップ3：サプライチェーンデータの投入
最適化に必要なドメイン固有のデータを渡します。多期間計画の場合、一般的に必要なデータは以下のとおりです。
- 製品・地域・期間別の需要予測
- 工場ごとの生産キャパシティと単位コスト
- 在庫保管コストと保管上限
- 輸送コストとリードタイム
- サービスレベルや最低生産数などの業務制約
ステップ4：自然言語でエージェントに指示
「12週間の生産・在庫計画を立案し、すべての配送センターの需要を満たしながら総コストを最小化してください」といった自然言語のプロンプトを送るだけです。
エージェントが目標を解析し、決定変数・目的関数・制約条件を整理したうえでcuOptスキルに処理を渡します。cuOptはGPUを使って解空間を並列探索し、最適解を返します。
ステップ5：結果の取得と活用
エージェントが最適化された決定変数（各期間・製品ごとの生産量、在庫量、輸送先など）を人間が読める形式にまとめて返します。総コスト、キャパシティ利用率、制約余裕といった主要指標も確認できます。フォローアップのプロンプトで追加調整もできるほか、下流の実行システムに直接出力を渡す構成も取れます。
料金とライセンス
cuOpt本体はApache 2.0ライセンスで無償利用できます。NeMo Agent ToolkitおよびNVIDIA/skillsリポジトリも同様にオープンソースです。
本番環境向けの商用サポートが必要な場合は、NVIDIA AI Enterpriseの一部として提供されています。また、NVIDIA NIMマイクロサービスとしてクラウド・オンプレミス・エッジ環境にデプロイすることもできます。
NVIDIA NeMo Agent Toolkitは GitHub で公開されており、スター数は2,263（2026年5月現在）。cuOpt本体のリポジトリは 853 スターです。
まとめ
NVIDIA cuOptとLangChain Deep Agentsを組み合わせたこのリファレンスワークフローは、「専門チームが数週間かけて解くOR問題を、自然言語の指示だけで数秒に短縮する」という具体的な成果を示しています。cuOpt自体はオープンソースで無償利用でき、NVIDIA NeMo Agent Toolkitのエージェントスキルも公開されているため、GPUとDockerが動く環境があれば今日から試せます。
サプライチェーン最適化に限らず、在庫管理・配車最適化・工程スケジューリングといった問題にも同様のアーキテクチャを応用できます。