AIが書いたコードが、自ら設計したチップの上で動いている。
Google DeepMindは2026年5月7日、Gemini搭載コーディングエージェント「AlphaEvolve」の1周年成果報告を公開した。TPU（テンソル処理ユニット）の回路設計への組み込みを筆頭に、ゲノム解析・電力グリッド・物流・創薬まで実用展開が進み、Google Cloud経由での商用提供も発表された。
この記事でわかること：
- AlphaEvolveがなぜ通常のコーディングエージェントと異なるのか
- 次世代TPUのシリコンに直接組み込まれた回路最適化の仕組み
- Googleのデータベース・コンパイラ・Gemini訓練への具体的な効果
- Klarna・FM Logistic・Schrödinger等の商用導入実績
- Google Cloudでの外部提供計画
AlphaEvolveとは何か
AlphaEvolveは、2025年5月にGoogle DeepMindが発表した進化的コーディングエージェントだ。GeminiモデルのFlash（速度重視）とPro（精度重視）を組み合わせ、アルゴリズムをコードとして生成・評価・改善し続ける。
通常のコーディングアシスタントはバグ修正やコード補完を担う。AlphaEvolveはそれとは異なり、「測定可能な目標に対してより優れたアルゴリズムを探索する」ことに特化している。スケジューリングのヒューリスティック、行列演算の最適化、回路の配線——解が自動評価できる問題であれば、あらゆる分野に適用できる。
TPUのシリコンに刻まれた成果
AlphaEvolveの1年間で最もインパクトが大きい事例は、Googleの次世代TPU設計への組み込みだ。
Google DeepMind・Google Research 主席科学者のJeff Dean氏は次のように述べている。「AlphaEvolveはAIスタックの最下層、つまりハードウェアレベルから最適化を始めた。提案された回路設計は直感に反するほど奇抜だったが、効率性が高く、次世代TPUのシリコンに直接組み込まれた。これはTPUの頭脳が次世代のTPUの身体を設計した最新の例だ。」
具体的には、行列乗算に使われる高度最適化済みの演算回路に対し、Verilog（ハードウェア記述言語）レベルでの書き換えを提案。不要なビットを除去し、機能的な正確性を検証した上で実装された。
また、キャッシュ置換ポリシーの探索では、従来数か月かかっていた作業が2日間で完了した。
Googleのインフラ全体への効果
TPU設計に留まらず、AlphaEvolveはGoogleの中核インフラ全体に実装されている。
データセンター管理では、BorgというGoogleのオーケストレーションシステム向けに新しいスケジューリングヒューリスティックを発見した。この解は1年以上本番稼働し、世界中のGoogleコンピューティングリソースの0.7%を継続的に節約している。
Googleのデータベース「Spanner」では、LSM-tree（Log-Structured Merge-tree）のコンパクションヒューリスティックを改善し、書き込み増幅（実際に書いたデータ量に対してストレージに書き込まれるデータ量の比率）を20%削減した。
Gemini訓練ではFlashAttentionカーネルの実装を最適化し、最大32.5%の高速化を実現。これはGeminiの訓練時間を1%短縮する効果に相当する。コンパイラ最適化でも、ソフトウェアのストレージフットプリントを約9%削減する戦略を発見した。
科学分野への展開
AlphaEvolveの適用範囲は、ソフトウェアインフラを超えて広がっている。
ゲノム解析では、GoogleのDNA塩基配列解析精度改善モデル「DeepConsensus」に適用し、バリアント検出エラーを30%削減した。PacBioはこの改善をRevioシーケンサーに統合し、HiFiヒトゲノムの解析コストを345ドルに引き下げた。
電力グリッド最適化では、AC最適潮流問題（電力をコストと物理的制約内で最適に流す計算）に取り組み、有効解の発見率を14%から88%超に引き上げた。
量子コンピューターではGoogleのWillowチップ上での分子シミュレーションに最適化された量子回路を提案し、従来比10倍のエラー削減を実現。自然災害リスク予測でも、山火事・洪水・竜巻など20カテゴリの予測精度を総合5%改善した。
数学の領域では、TerorのTao教授（UCLA数学）と協力してErdős問題を解決し、巡回セールスマン問題やRamsey数の記録も更新している。
商用導入の実績
Google Cloudを通じた外部向け展開も着実に進んでいる。主な導入事例は次の通りだ。
金融サービスのKlarnaは、大規模Transformerモデルの訓練にAlphaEvolveを適用し、訓練速度を2倍に高めながらモデル品質も向上させた。物流のFM Logisticでは、巡回セールスマン問題への適用で経路効率を10.4%改善し、年間15,000km以上の走行距離削減につなげた。
広告・マーケティングのWPPでは高次元のキャンペーンデータを扱うAIモデルのコンポーネントを改善し、手動最適化比で精度10%向上を達成。生命科学・計算化学のSchrödinger社は、機械学習力場（MLFF）の訓練・推論を約4倍高速化した。MLFFは分子の挙動を予測するための手法で、創薬や材料開発のR&Dサイクルを大幅に短縮できる。
半導体製造のSubstrateは、計算リソグラフィー（半導体の微細パターン設計計算）にAlphaEvolveを適用し、シミュレーション実行速度を数倍向上させた。
通常のコーディングエージェントとの違い
Claude CodeやOpenAI Codexなど既存のコーディングエージェントは、リポジトリ内のコード補完・バグ修正・テスト作成を主な用途とする。評価の軸はコードの品質・テスト通過率・開発者の生産性だ。
AlphaEvolveはこれとは異なる。測定可能な目標に対して最良のアルゴリズムや設計を探索するシステムであり、評価軸は「パフォーマンスの数値的改善」だ。倉庫の経路削減、回路の消費電力、ゲノムのエラー率——それぞれに具体的な数値目標があり、AlphaEvolveはその数値を改善するコードを進化させる。
Google Cloud提供とこれからの課題
AlphaEvolveはGoogle Cloudを通じて外部顧客への提供が開始された。ただし、商用利用には実用上のハードルも残る。料金体系、利用できるワークロードの範囲、データ管理のポリシー、最適化結果の再現性、変更のロールバック手順——こうした実務上の条件が整って初めて、企業の本番環境に入れることができる。
AlphaEvolveの商用価値は、Googleの内部事例が証明した通り、長期間・本番環境での継続的な効果にある。外部企業がその価値を引き出せるかは、Google Cloudがどこまで透明な管理インターフェースを提供できるかにかかっている。
AIがTPU設計を変え、ゲノム解析を改善し、電力グリッドを最適化する。AlphaEvolveが示すのは、AIが「コードを書く」から「アルゴリズムを進化させる」段階へと移行しつつあるという事実だ。