［ニュース解説］AlphaEvolveが1年で証明したこと — Googleの自律最適化AIが科学・インフラ・ビジネスに残した実績

2026-05-10

はじめに

　Google DeepMindが2026年5月7日、Geminiを基盤とするコーディングエージェント「AlphaEvolve」の約1年にわたる成果を公開しました。ゲノム解析や電力網最適化から量子コンピューティング、さらには複数業種への商用展開まで、多岐にわたる実績の全体像を解説します。

参考記事

タイトル: AlphaEvolve: How our Gemini-powered coding agent is scaling impact across fields
著者: AlphaEvolve team
発行元: Google DeepMind
発行日: 2026年5月7日
URL: https://deepmind.google/blog/alphaevolve-impact/

要点

AlphaEvolveはゲノム解析モデルDeepConsensusの変異検出エラーを30%削減し、電力網最適化では実行可能解の発見率を14%から88%以上に改善した
Google Willowプロセッサーでのシミュレーションにおいてエラーを従来比10分の1に低減する量子回路を提案し、量子計算の実験的デモンストレーションに貢献した
次世代TPUの設計に採用され、Google Spannerの書き込み増幅を20%削減するなど、Google社内インフラにおいても本格稼働している
Klarna・FM Logistic・WPP・Schrödinger等、複数の企業で商用活用が進んでおり、FM Logisticでは年間15,000km以上の走行距離削減を達成した
数学者テレンス・タオとの共同研究でエルデシュ問題の解決に貢献するなど、基礎科学の領域でも成果を上げている

詳細解説

社会課題と持続可能性への貢献

　AlphaEvolveの成果として最初に挙げられるのが、科学・社会課題への直接的な応用です。ゲノム解析分野では、Googleが開発したDNA塩基配列エラー修正モデル「DeepConsensus」の改善に活用され、変異検出エラーを30%削減することに成功しました。この改善を実機に適用したPacBioは、遺伝データをより精確かつ低コストで解析できるようになったとしており、同社シニアディレクターのAaron Wengerは「これまで見つけられなかった疾患関連変異の発見につながる可能性がある」と述べています。

　電力網の最適化においても注目すべき成果があります。「AC最適電力フロー問題」に対して訓練されたグラフニューラルネットワーク（GNN: グラフ構造データを扱う機械学習モデル）を適用したところ、実行可能解の発見率が従来の14%から88%以上に向上しました。これにより、電力網運用に必要なコスト高な後処理ステップを大幅に削減できると考えられます。

　地球科学分野では、Earth AIモデルの自動最適化を支援することで、山火事・洪水・竜巻など20カテゴリにわたる自然災害リスク予測の精度を5%改善しました。地球規模のリスク評価に関わる精度改善として、実用上の意義が大きいと言えます。

科学研究の最前線への貢献

　AlphaEvolveは強力な研究パートナーとしても機能しています。量子物理では、GoogleのWillow量子プロセッサー上での複雑な分子シミュレーションにおいて、従来の最適化手法と比べてエラーを10分の1に低減する量子回路を提案しました。これにより、古典的コンピューターでは難しかった実験的な量子計算のデモンストレーションが可能になり、AIが古典コンピューターの能力を超えるアルゴリズムを発見する未来に向けた一歩として注目されています。

　数学の領域でも印象的な結果が報告されています。UCLA教授で著名な数学者テレンス・タオとの共同研究のもと、長年未解決とされてきたエルデシュ問題の解決を支援しました。タオ教授は「最適化問題において、反例の素早い検証や極値点の確認を可能にする有用な新ツール」と評しています。さらに、「巡回セールスマン問題」の下限改善や「ラムゼー数」の新記録達成にも貢献しました。

　このほか、解釈可能な神経科学モデルの発見、マイクロ経済学での市場理論の証明、完全準同型暗号（FHE: 暗号化したままデータを計算できる暗号技術）の効率化、フロンティアAIモデルの安全性向上に向けた研究など、多様な分野で並行して活用されていることが明らかになっています。

Google社内インフラへの本格組み込み

　AlphaEvolveはパイロット段階を経て、Googleの本番インフラの一部に組み込まれています。特に注目されるのが次世代TPU（Googleのアクセラレーターチップ）の設計への採用です。Google DeepMindチーフサイエンティストのJeff Deanは「AlphaEvolveが提案した回路設計は、直感に反するほど奇抜でありながら効率的であり、次世代TPUのシリコンに直接採用された」と述べており、AIがハードウェア設計に直接貢献するという新たな段階に入りつつあると考えられます。

　分散データベース「Google Spanner」では、Log-Structured Merge-tree（LSM-tree: 書き込み効率を高めるデータ管理構造）のコンパクション処理を改善し、「書き込み増幅」（ストレージへの実際の書き込み量と元データの比率）を20%削減しました。コンパイラ最適化においても新たな戦略を提供し、ソフトウェアのストレージ使用量を約9%削減しています。キャッシュ置き換えポリシーの発見では、従来は数カ月を要していた作業をわずか2日で達成したとも報告されており、開発効率への貢献も見逃せません。

商用展開と企業導入事例

　Google Cloudとの連携によって、AlphaEvolveは外部の商用企業へも提供が開始されており、複数の業種で具体的な成果が生まれています。

　金融サービスのKlarnaは、社内の大型トランスフォーマーモデルのトレーニングに適用し、モデル品質を維持しながらトレーニング速度を2倍に向上させました。半導体製造のSubstrateは計算リソグラフィー（半導体製造における光学計算処理）フレームワークへの適用でランタイム速度を複数倍改善し、より大規模なシミュレーションが可能になりました。

　物流のFM Logisticは巡回セールスマン問題（倉庫規模のルート最適化）に適用し、従来の高度に最適化されたソリューションを10.4%上回るルーティング効率を達成しています。年間15,000km以上の走行距離削減という数値は、業務効率化への実用的な貢献として分かりやすい指標だと思います。

　マーケティング企業WPPはAIモデルのコンポーネント最適化に活用し、手動最適化モデルと比較して精度を10%向上させました。計算化学・創薬プラットフォームのSchrödinger（シュレーディンガー）は、機械学習力場（MLFF: 分子シミュレーションに用いる機械学習モデル）のトレーニングと推論を約4倍高速化しており、創薬のR&Dサイクルを大幅に短縮できる可能性があると考えられます。