Jeff Dean氏は先週、半導体業界が聞き流せない話をした。AlphaEvolveはGoogleのAIスタックの最下層、つまりハードウェア側の最適化に入り始めているという。
これは単なるコーディング支援の話ではない。DeepMindの最適化システムは、直感に反するものの極めて効率的な回路設計を提案し、Googleはそれを次世代TPUのシリコンに組み込んだ。Googleは5月8日、この仕組みをCloud顧客にも開放する計画を明らかにした。
AlphaEvolveはコード補完ツールではない
CopilotやClaude Codeがアプリケーションコードの作成や修正を助けるのに対し、AlphaEvolveの対象はもっと狭く、深い。訓練時間、誤差率、経路効率など測定可能な目標を与えると、最適なアルゴリズムやシステム設定を探索する。
Gemini Flashが候補を広く生成し、Gemini Proが深く評価し、進化的アルゴリズムが弱い案を落として有望な案を次の反復に戻す。検索でもチャットでもなく、定義済みの硬い指標を改善するための自動ループだ。
社内導入の実績は小さくない
Googleによると、AlphaEvolveは社内で1年以上使われてきた。Spannerの書き込み増幅は20%低下し、コンパイラのソフトウェア保存量は約9%減少、DeepConsensusの変異検出エラーは30%減った。AC Optimal Power Flowでは実行可能解の比率が14%から88%に上がり、Willow量子チップの分子シミュレーション誤差は従来の10分の1になった。
Geminiアーキテクチャの重要なkernelを23%高速化し、全体の訓練時間も1%短縮した。データセンターのスケジューリングでは、Googleの本番環境で1年以上にわたり世界の計算資源の0.7%を回収しているという。
初期顧客の数字も実務寄りだ
Schrödingerは機械学習力場モデルの訓練と推論を4倍高速化した。Klarnaは訓練速度を2倍にしつつモデル品質も改善した。WPPは精度を10%高め、FM Logisticsは配送経路を10.4%改善し、年間1万5000キロ超の輸送を削減した。
これらは電力、人件費、顧客体験、物流費に直結する指標であり、「AIを使っている」という看板以上の意味を持つ。
企業導入には未回答の論点が残る
AlphaEvolveが向くのは、チップ設計、データベース調整、スケジューリング、科学計算、化学合成経路探索のように、目標は明確だが探索空間が広すぎる領域だ。
商用サービスとして買う前に、企業は価格、実行できるワークロード、データ管理、監査可能性、再現性、ロールバック方法を確認する必要がある。それでも、AlphaEvolveが研究所からCloud製品へ向かうこと自体、DeepMindの研究成果が商用化されていく流れを示している。AlphaFoldは製薬向けに道を開いた。AlphaEvolveはクラウドと企業ITでその次になるかもしれない。
参考資料：CocoLoop