物流AIに足りなかった中間区間、MilleMigliaが合成データ化

Google Researchは2026年9月18日、中間物流の現実的な問題例を生成するC++ライブラリ「MilleMiglia」をオープンソースで公開した。Data Phoenixの同日付の報道 によると、公開済みなのはインスタンス生成器、ソースコード、文書で、Googleと大学の研究者が開発している専用ソルバーとAPIは含まれず、提供時期や性能結果も示されていない。

同日に公開されたMilleMigliaが作るのは、実在企業の配送原票を匿名化したデータセットではない。拠点、車両、路線、運行、積荷に、固定ダイヤや拠点処理能力、積み替えの同期といった条件を組み込んだ合成問題インスタンスである。公開データが乏しかった中間物流について、小規模な厳密解法の検証から大陸規模の最適化、機械学習用データの大量生成までを共通の形式で試せるようにする。

ラストマイルにはない「乗り継ぎ」を表す

中間物流は、配送拠点から消費者宅へ荷物を届けるラストマイルではなく、地域または大陸規模で配送拠点同士を結ぶ区間を担う。ファーストマイルやラストマイルでは、一つの荷物が一台の車両に載ったまま目的地へ向かう問題として扱われることが多い。中間区間では荷物が複数の車両を乗り継ぎ、中継拠点で荷降ろし、仕分け、方面別の混載を経る。

この違いにより、最短経路や訪問順だけでは問題を表せない。到着した荷物が次の便の出発に間に合うか、車両に空きがあるか、拠点が一定時間内に処理できる物量を超えないかを同時に扱う必要がある。接続便を逃した荷物は次の運行まで拠点に残るため、個々の経路が短くても全体の所要時間は延び得る。

Google Researchの公式発表 は、この構造を時空間グラフ上の多品種フロー問題として説明している。特定の時間帯にある配送拠点をノード、車両の移動または拠点での保管をアークとし、固定された運行時刻、拠点の処理上限、到着便と出発便の同期を同じ問題形式に収める。

生成するのは拠点、車両、経路、運行、積荷

MilleMigliaの出力は、地図上に無作為な点を置いただけの路線データではない。拠点の配置と接続関係、主要拠点と小規模拠点を結ぶ路線、車両の経路と運行ローテーション、発送地と到着地を持つ積荷を一つのインスタンスとして生成する。利用者は拠点数、空間グラフの密度、積荷重量の分布、車両数などを調整できる。

基礎研究を記録した Google Researchの研究ページ は、生成対象をハブ、車両、ルート、路線、ローテーション、輸送対象の積荷として定義している。用途には、最適化手法のベンチマーク、機械学習モデルの訓練、ネットワーク構成や積荷特性が効率へ与える影響の分析が挙げられている。

生成規模も固定されていない。厳密解法を試すための小規模な問題から、高度なヒューリスティクスやメタヒューリスティクスを必要とする大陸規模の産業向け問題まで作れる。多数の条件違いを生成できるため、機械学習では単一の固定データセットだけに依存せず、訓練例と評価例を増やせる。

「現実的」でも実在企業のネットワークではない

MilleMigliaが掲げる現実性は、特定企業の拠点住所、実際の需要量、顧客別の貨物、運行履歴を公開するという意味ではない。拠点の配置には重力モデルや空間クラスタリングを使い、人口や産業密度を反映した構造を作る。積荷には発送地と到着地、物量や重量の分布を持たせ、車両には無関係な接続ではなく構造化された運行を設定する。

Googleの説明では、こうした分布は業界が公開している情報と、非公開で提供された情報の間を補間している。出力は個社の原票や実在ネットワークそのものではなく、それらしい構造を統計的に組み立てた合成データだ。どの企業や地域をどの程度代表しているかは、公開された生成結果だけでは判断できない。

したがって、合成問題上で高い解の品質や短い計算時間を得ても、実際の運行で同じ性能が出るとは限らない。道路規制、荷役時間、運転者の休憩規則、季節変動、障害時の代替運行など、対象事業に固有の条件が生成設定に含まれていなければ、その差は実運用へ移す際の誤差になり得る。

最適化比較と機械学習での役割

最適化研究では、同じ条件で生成した問題を複数のソルバーへ渡し、解の品質、計算時間、規模拡大への耐性を比較できる。小規模問題で厳密解との差を確認し、より大きな問題で近似手法を評価するという段階的な検証にも使える。共通形式は、研究ごとに異なる非公開データを使い、結果を横並びにできない状況を減らすための土台になる。

機械学習では、拠点数、積荷量、車両容量、経路長、対象期間などを変えた大量の例を生成し、積荷の割り当てや経路選択を学ぶモデルの訓練と評価に利用できる。ただし、MilleMiglia自体は配送計画を決定するAIでも、最適解を返すソルバーでもない。今回公開された中心機能は、最適化手法や学習モデルへ入力する問題データを作ることにある。

合成データは企業秘密への依存を減らす一方、モデルが生成時の仮定まで学習する可能性を残す。特定の拠点分布や需要分布だけで訓練したモデルが、現場固有の偏りや例外にも対応できるとは限らない。生成条件を広げる作業と、対象ネットワークの集計値で条件を校正し、実運行データで外部検証する作業は分けて考える必要がある。

公開は生成基盤まで、実運用性能は未検証

現段階で公開されたのは、比較可能な中間物流問題を作るための生成基盤である。専用ソルバーとAPIは開発中で、公開日、利用条件、性能評価はまだ明らかになっていない。生成器のオープンソース化と、完成した業務用最適化サービスの提供は同じではない。

また、公開時点では、生成結果が実在する物流事業者のネットワークをどの程度再現するかを示す独立評価や、MilleMiglia上の成績が実運行へ移ることを示す比較結果も確認できない。企業の拠点網や需要量を直接公開せず、中間物流の研究用データを作れるようになったことが今回の到達点だ。次に問われるのは、外部の研究者が結果を再現できるか、各地域や事業者の集計データで校正したときにも有効なベンチマークになるかである。