はじめに
AI にコードを書かせる、という話はもう珍しくありません。関数を書いて、テストを書いて、リファクタリングして。人間が速く作業するのを助ける道具です。
2026年7月10日、Google Cloud が発表した AlphaEvolve は、その一歩先を狙っています。人間が書いたコードを速く仕上げるのではなく、難しい最適化問題に対して、より良いアルゴリズムを AI 自身が探し出す。そういうエージェントが、限定プレビューを終えて一般提供（GA）になりました。
これまで一部の企業しか触れなかったものが、Gemini Enterprise Agent Platform 上で誰でも使えるようになった、というのが今回の話です。何ができて、どういう仕組みで、どんな問題に向いているのかを整理します。なお本記事は公式発表をもとにしています。料金や細かい仕様は変わりうるため、最新の情報は公式ドキュメントで確認してください。
AlphaEvolve とは何か
AlphaEvolve は、Gemini をベースにしたコード最適化・発見エージェントです。名前のとおり、コードを進化（evolve）させます。
ふつうのコーディング支援ツールは、人間が「こう書きたい」と思っている中身を、速く正確に形にするのが役割です。AlphaEvolve の狙いは違います。「この問題をできるだけ良く解くアルゴリズムがほしい。ただし正解の形は自分にもわからない」という場面で、AI が広大な可能性の中を自分で探し、人間が思いつかなかった解を見つけてくることを目指します。
発表では、AI が作業を速める生産性アシスタントから、達成できることの範囲を広げる発見エンジンへ、という位置づけが語られています。手を速くする道具ではなく、答えそのものを探させる道具、という区別です。
どう動くのか
AlphaEvolve の使い方は、4つのステップで説明されています。
- Define：出発点となる元のアルゴリズム（seed）と、解きたい問題の定義を与える
- Measure：候補の良し悪しを数値で測る採点関数を用意する
- Optimize：AlphaEvolve が採点結果を頼りに、より良いコードを生成していく
- Apply：出てきた最適なアルゴリズムを本番のワークロードに組み込む
中心にあるのは進化的なループです。AlphaEvolve は元のコードに変化を加えた候補をいくつも作り、それを評価スクリプトで採点し、良かったものを土台にまた次の候補を作る。この生成と採点と改良を、ひたすら繰り返します。生き物の進化で、環境に合う個体が残っていくのと同じ発想です。
コードを生成する頭脳の部分に Gemini が使われています。何を試すかを Gemini が考え、その結果を採点関数が客観的に評価する。人間の勘だけでは探しきれない範囲を、この2つの組み合わせで潰していきます。
使うために必要なもの
この仕組みを回すには、2つのものを自分で用意する必要があります。
ひとつは種となるプログラム（seed）です。最適化したい部分を含んだ、動く出発点のコードです。もうひとつは評価器（evaluator）で、候補のコードをコンパイルして動かし、点数を付けて返す、決定的なスクリプトです。
大事なのは、良し悪しを数値で測れる採点関数を書けるかどうかです。速さ、正確さ、コスト、制約の満たし具合。何をもって良い解とするかを、はっきりした数字に落とせる問題でこそ、AlphaEvolve は力を発揮します。逆に、良さの基準を数字にできない問題では、探索の方向を決めようがありません。ここが向き不向きの分かれ目になります。
どんな成果が出ているか
公式発表では、社外の企業と Google 社内の両方で、具体的な事例が挙げられています。いずれも各社の環境での結果なので、そのまま誰にでも当てはまるわけではありませんが、傾向をつかむ参考になります。
社外の例では、物流の FM Logistic が倉庫内の経路最適化で、すでに最適化済みだった基準からさらに10.4%改善し、スタッフの移動を15,000km以上減らしたとされています。サプライチェーンの Kinaxis は予測精度を22%上げ、ベンチマークの実行時間を90%減らしたと報告されています。Klarna は機械学習の学習パイプラインでスループットを倍にし、3週間で約6,000通りの候補プログラムを試したそうです。ゲノム解析の PacBio は変異検出のエラーを30%減らし、創薬の Schrödinger は分子シミュレーションを4倍速くしたと紹介されています。
Google 社内でも使われています。データベースの Spanner では書き込み増幅を20%削減し、量子プロセッサ Willow 向けの回路では分子シミュレーションの誤り率を10分の1に下げた、といった成果が挙げられています。
数字の大きさより注目したいのは、これらがすでに人手で最適化された後の、さらに先の改善だという点です。人間がやり尽くしたと思っていた場所に、まだ伸びしろが残っていた、という事例が並んでいます。
どんな問題に向いているのか
ここまでを踏まえると、AlphaEvolve が効く場面ははっきりしています。
向いているのは、正解の形は決まっていないが、良し悪しは数字で測れる問題です。ルーティング、スケジューリング、パラメータ調整、カーネルやコンパイラの最適化、予測モデルの精度改善。探索の余地が広く、採点関数を書けるものほど相性が良いといえます。
向いていないのは、何をもって良いとするかを数値化できない問題です。文章の好ましさや、デザインの美しさのように、評価が主観に寄るタスクでは、そもそも探索の羅針盤が作れません。また、種プログラムと評価器を用意する手間があるので、一度きりの小さな作業をさっと済ませたい用途にも向きません。じっくり回して価値が出る、腰を据えた最適化のための道具です。
使い始めるには
AlphaEvolve は Gemini Enterprise Agent Platform から利用します。Google Cloud のコンソールにエージェントプラットフォームの入り口があり、そこから使えます。
学び始めの材料も用意されています。公式のドキュメントとオンボーディングガイドのほか、GitHub には Colab で試せるサンプルを含むリポジトリが公開されています。対応する IDE（Antigravity など）から呼び出す形も案内されています。まずは公開されているサンプルで、種プログラムと評価器がどういうものかを触ってみるのが早いはずです。
料金については発表で具体的に示されていないので、実際に使う前に公式の料金ページで確認してください。
まとめ
AlphaEvolve は、Gemini がコードを進化させて、難しい最適化問題の良い解を自分で探すエージェントです。2026年7月10日に一般提供となり、Gemini Enterprise Agent Platform から誰でも使えるようになりました。
回す条件は、種となるプログラムと、良し悪しを数字で測る評価器を用意できること。この採点関数を書ける問題であれば、人手で最適化しきったと思っていた先に、さらなる改善を見つけてくる可能性があります。
コードを速く書く道具は増えました。AlphaEvolve が面白いのは、答えそのものを探させる方向に踏み込んでいる点です。自分の抱える問題のうち、良し悪しを数字にできるものは何か。そう考えてみると、使いどころが見えてくるはずです。