Back to Archive

GCP News - 2026-09-03

2026-09-03
最終更新: 2026-09-04 03:21:27 JST

AI による概要

9 記事

この日はセキュリティの自動化と開発者向けの足回りが中心でした。目を引くのは、脆弱性の発見・トリアージ・再現・修正を自動化するオープンソースのハーネス Mantis です。AI モデルが人手をほとんど介さずに脆弱性を見つけて悪用できることが明らかになるなか、守る側に優位を取り戻すために作られたもので、Google が社内で機械の速度で脆弱性を見つけて直すための取り組みの一部が公開された形になります。AI によるコードスキャンは雑に作ると存在しないバグを報告しがちで真陽性率が 7% を下回ることも多いため、Mantis はクリティックエージェントやレビューエージェントといった標準的なエージェント技法と、サンドボックス内での脆弱性の再現によるグラウンディングを組み合わせています。リポジトリの履歴から過去のセキュリティ修正を学び、提供されていなくてもアーキテクチャと脅威モデルの文書を自動的に構築し、個々のファイルをディレクトリ単位・ルート単位へ畳み込む階層的なセキュリティ要約ツリーによって、巨大なリポジトリでも構造的な文脈を保ったままトークン消費を 85% 以上削減しているとしています。データ基盤では BigQuery に識別子列 (identity columns) が追加され、連番の 64 ビット整数を自動採番できるようになりました。アプリケーションのロジックや ETL ツール側で一意キーを事前計算する必要がなくなり、INSERT でも MERGE でも標準の DML と自然に組み合わせられます。開発者向けには Google Gen AI SDK for Kotlin 1.0 が公開されました。Kotlin Multiplatform ライブラリとして一から作られており、コルーチン、Flow による非同期ストリーミング、名前付き引数とデフォルト値を持つイミュータブルなデータクラスといった Kotlin らしい書き方で、JVM と Android の双方から Gemini Developer API と Gemini Enterprise Agent Platform を同じ表面で扱えます。リリースノートでは VPC Service Controls が、削除済みの IAM プリンシパルを含むサービス境界の取得と更新にプレビュー対応し、削除済みのユーザー・グループ・サービスアカウントを含む境界でもメールアドレスが無効というエラーを起こさずに管理できるようになりました。評価面では、Gartner の Strategic Cloud Platform Services の Magic Quadrant で Google が 9 年連続のリーダーに選ばれ、ビジョンの完全性で最も先に位置づけられています。日本語ブログでは、エージェント時代のバースト性の高い AI ワークロードに対する動的容量管理のベストプラクティスが公開され、Dynamic Workload Scheduler のカレンダーモードによる計画的な確保、Flex Start モードでのバッチ費用の最適化、マネージドインスタンスグループによる優先順位付きのハードウェアフォールバック、GKE のカスタム ComputeClass による自動化が紹介されました。あわせて Pythian の社内 AI ハンドブック (アクティブユーザーエンゲージメント 3 倍、データベースインシデントの解決時間 80% 短縮) と、Cloud Run インスタンスによるパーソナル AI エージェントのデプロイ (1 vCPU / 1GiB を 30 日連続稼働して 5.70 ドル、最大 7 日間の連続稼働と固定 HTTPS URL) の日本語版が出ています。

主要トピック

  • セキュリティ自動化: 脆弱性の発見から修正までを自動化するオープンソースのハーネス Mantis を公開、トークン消費を 85% 以上削減

  • データ基盤: BigQuery に識別子列が追加され、連番の 64 ビット整数を自動採番

  • SDK: Google Gen AI SDK for Kotlin 1.0 が公開、Kotlin Multiplatform で JVM と Android から Gemini を利用

  • アクセス制御: VPC Service Controls が削除済み IAM プリンシパルを含む境界の取得・更新にプレビュー対応

  • 評価: Gartner の Strategic Cloud Platform Services 部門で 9 年連続リーダー、ビジョンの完全性で最上位

  • 容量管理: Dynamic Workload Scheduler のカレンダー / Flex Start モード、MIG のフォールバック、GKE の ComputeClass による動的容量管理

  • コスト: Cloud Run インスタンスは 1 vCPU / 1GiB を 30 日連続稼働して 5.70 ドル、最大 7 日連続稼働と固定 HTTPS URL

  • 事例: Pythian の社内 AI ハンドブックでアクティブユーザー 3 倍、データベースインシデントの解決時間 80% 短縮

AI (Claude Opus 5) が生成 · 2026-09-04 08:02:48 JST

Google Cloud Release Notes

September 03, 2026

VPC Service Controls

Feature

VPC Service Controls feature (Status: Preview): VPC Service Controls supports retrieving and updating service perimeters that contain deleted IAM principals. When you enable this feature, you can manage perimeters that contain deleted user, group, or service account identities without triggering the The email address is invalid or non-existent error.

For more information, see Supported identities for ingress and egress rules.

Google Cloud Blog

Simplify pipelines with new BigQuery identity columns

詳細を表示

To further empower our customers in their data journey, we are excited to announce the launch of identity columns in BigQuery. This new feature allows users to define columns that automatically generate sequential 64-bit integer values, simplifying the way you manage unique identifiers within your tables.

Data engineers are always looking for ways to make data ingestion smoother and more reliable. BigQuery identity columns offer a powerful, built-in mechanism to automatically generate unique numerical values for your tables. By shifting the responsibility of ID generation to BigQuery, you can significantly reduce the complexity of your data pipelines and focus on delivering insights.

Key benefits for your data pipelines

Implementing identity columns provides several advantages that help streamline the development and maintenance of your data architecture.

  • Streamlined ingestion: You can now ingest data without needing to pre-calculate unique keys in your application logic or ETL tools.

  • Reduced boilerplate: By using auto-generated sequences, your SQL code becomes cleaner and easier to maintain, as the database handles key management natively.

  • Integrated automation: Identity columns work harmoniously with standard DML operations, ensuring that every new row receives a unique identifier automatically.

  • Flexible integration: Whether you are using INSERT or MERGE statements, identity columns adapt to your existing workflow.

How to implement identity columns

Setting up an identity column is simple and can be done directly within your CREATE TABLE statement. You have two primary ways to define how these values are handled.

Definition options

Clause

Description

GENERATED ALWAYS AS IDENTITY

BigQuery automatically manages and ensures the uniqueness of the values.

GENERATED BY DEFAULT AS IDENTITY

Provides an automatic value but still allows for manual overrides when necessary.

Example usage
The following SQL statement demonstrates how to create a table that automatically increments IDs, starting at 1 and increasing by one for each new entry.

code_block
<ListValue: [StructValue([('code', "CREATE TABLE my_project.my_dataset.orders (\r\n order_id INT64 GENERATED ALWAYS AS IDENTITY (START WITH 1 INCREMENT BY 1),\r\n customer_name STRING,\r\n order_date DATE\r\n);\r\n\r\n-- Ingesting data is now simpler:\r\nINSERT INTO my_project.my_dataset.orders (customer_name, order_date)\r\nVALUES ('Joe Doe', CURRENT_DATE());"), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fdffbd8b3a0>)])]>

Get started today

Identity columns represent our ongoing commitment to providing a flexible, high-performance, and standards-compliant data platform. By automating the generation of surrogate keys, we are making it easier for you to build scalable and maintainable data architecture.

To learn more about how to implement this feature in your projects, please visit the BigQuery identity columns documentation.

Getting started with Mantis, our open-source bug finding-and-fixing harness

詳細を表示

AI models have clearly proven their ability to discover and exploit vulnerabilities without much, if any, human assistance. To help defenders gain the advantage with AI, we built the Mantis harness to automate the discovery, triage, reproduction, and patching of software vulnerabilities. 

Available to all as an open-source framework, Mantis is part of Google’s internal approach to find and fix vulnerabilities at machine-speed. It creates a more effective scalable, context-aware repository analysis. 

While sloppiness in AI code scanning frequently leads to hallucinated bugs and weak true-positive rates under 7%, we designed Mantis to be effective by combining industry-standard agentic techniques like critic and review agents with sandboxed reproduction of vulnerabilities for grounding. 

As we detailed in June, it examines the history of the repository to learn from past security fixes and automatically builds up architectural and threat model documentation, even if these are not provided. 

It constructs a hierarchical security summary tree, condensing individual files into directory and root-level summaries. This technique reduced token overhead by over 85%, while preserving critical structural context across massive repositories.

Mantis distills decades of cybersecurity expertise across a wide spectrum of codebases, and is available on GitHub. Here’s how you can get started using Mantis.

  • First, clone the Mantis repo locally using:

code_block
<ListValue: [StructValue([('code', 'git clone https://github.com/google/mantis.git'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fdffba899d0>)])]>

  • Second, open your favorite coding agent and use the prompt, “I would like to use Mantis framework in path/to/mantis to review my code in path/to/your/code, can you help me get started?” 

Internally at Google, this exact prompt has been used to find real vulnerabilities across our many code repositories. As part of the Mantis repository on GitHub, we’ve included sample sandboxing options. You can also implement your own sandbox to match your own workflow.

Mantis is intended to be an easy place to start with vulnerability discovery, true positive filtering, and patching. Once you've got a handle on AI-discovered vulnerabilities, you can use the new mantis-advise skill to make use of the accumulated knowledge and get your coding agents to write secure code the first time.

To get the most out of AI-driven vulnerability discovery and modernize your development practices, we strongly recommend two essential practices:

  1. Feed your tools the right context: While Mantis automatically analyzes commit history and code to build documentation for itself, human-curated knowledge often can dramatically improve the quality of your results. For example, if you would never waste time fixing bugs where the user can crash their own program, this is critical information for a scanning pipeline to ensure that those types of bugs are never surfaced.

  2. Build a cyber sandbox with vulnerability acceptance criteria. Safe, sandboxed environments where you can reproduce vulnerabilities with clear vulnerability-reproduction criteria will give you better results for surfacing only the things you need to know and also for ensuring that your fixes are correct.

You can learn more about Mantis here.

Announcing the Google Gen AI SDK for Kotlin 1.0: Idiomatic multiplatform access to Gemini

詳細を表示

Integrating modern generative AI capabilities into Kotlin applications shouldn't require juggling raw HTTP clients or bridging disparate Java libraries. Today, we're excited to announce the 1.0 release of the Google Gen AI SDK for Kotlin (google-genai-kotlin). You can dive right into the code, explore runnable samples, and star the project today on GitHub at googleapis/kotlin-genai.

Built from the ground up as a Kotlin Multiplatform (KMP) library, the SDK brings idiomatic Kotlin paradigms (including first-class Coroutines, asynchronous Flow streaming, and immutable data classes with named and default parameters) to developers targeting both the JVM (backend services, serverless functions, desktop) and Android.

The SDK provides a unified surface to interact with both the Gemini Developer API (Google AI Studio) and the Gemini Enterprise Agent Platform (on Google Cloud) with minimal configuration tweaks.

1. Getting started: Adding the dependency

The SDK is published to Maven Central under com.google.genai:google-genai-kotlin.

Kotlin Multiplatform (KMP)

For multiplatform applications, add the dependency to your commonMain source set:

code_block
<ListValue: [StructValue([('code', '// build.gradle.kts\r\nkotlin {\r\n sourceSets {\r\n commonMain.dependencies {\r\n implementation("com.google.genai:google-genai-kotlin:1.0.0")\r\n }\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3242c040>)])]>

Standard JVM or Android projects

For single-platform Kotlin projects, Gradle automatically selects the optimal variant via Gradle Module Metadata:

code_block
<ListValue: [StructValue([('code', '// build.gradle.kts\r\ndependencies {\r\n implementation("com.google.genai:google-genai-kotlin:1.0.0")\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3242c6a0>)])]>

2. Unary and streaming text generation and chat

The primary entry point is the Client class. It manages HTTP connections and authentication automatically based on your environment variables (GEMINI_API_KEY or GOOGLE_API_KEY for Google AI Studio, and GOOGLE_GENAI_USE_ENTERPRISE=true with standard Google Cloud Application Default Credentials).

Single prompt request with Gemini Flash

Using Kotlin's use extension ensures the client's underlying network engine and HTTP connections are released cleanly:

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val response = client.models.generateContent(\r\n model = "gemini-flash-latest",\r\n text = "Explain quantum entanglement in two sentences."\r\n )\r\n\r\n println(response.text)\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3016cbe0>)])]>

Low-latency streaming with Coroutines Flow

For interactive UIs and responsive CLI tools, generateContentStream returns a cold Kotlin Coroutine Flow<GenerateContentResponse>, delivering token chunks in real time:

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val responseFlow = client.models.generateContentStream(\r\n model = "gemini-flash-latest",\r\n text = "Outline the key architectural patterns for microservices on Google Cloud."\r\n )\r\n\r\n responseFlow.collect { chunk ->\r\n chunk.text?.let { print(it) }\r\n }\r\n println()\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3016ce20>)])]>

Multi-turn conversations (chat)

Managing conversation history manually across request turns can become tedious. The SDK includes a dedicated chats service that automatically maintains context, appends turns, formats conversation history, and handles function calling:

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport com.google.genai.kotlin.types.Content\r\nimport com.google.genai.kotlin.types.GenerateContentConfig\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val config = GenerateContentConfig(\r\n systemInstruction = Content.fromText("You are an expert Google Cloud Solutions Architect.")\r\n )\r\n\r\n // Create a multi-turn chat session\r\n val chat = client.chats.create(\r\n model = "gemini-flash-latest",\r\n config = config\r\n )\r\n\r\n // Turn 1\r\n val firstResponse = chat.sendMessage("We are designing an event-driven ingestion pipeline on Google Cloud.")\r\n println("Gemini: ${firstResponse.text}\\n")\r\n\r\n // Turn 2: context from the first turn is included automatically\r\n val secondResponse = chat.sendMessage("Which managed messaging service should we choose: Pub/Sub or Kafka?")\r\n println("Gemini: ${secondResponse.text}\\n")\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3016cd30>)])]>

You can also use chat.sendMessageStream(...) for streaming multi-turn chat responses.

3. Multimodal analysis grounded with Google Search

Gemini's multimodal reasoning is especially effective when combined with external verification. For instance, when analyzing technical, medical, or scientific diagrams, you can attach Google Search Grounding to cross-check factual claims against live web sources.

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport com.google.genai.kotlin.types.*\r\nimport java.io.File\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val imageBytes = File("src/main/resources/medical_diagram.png").readBytes()\r\n\r\n val content = Content(\r\n parts = listOf(\r\n Part(inlineData = Blob(mimeType = "image/png", data = imageBytes)),\r\n Part(text = "Is this anatomical diagram accurate? Verify labels against authoritative medical sources.")\r\n )\r\n )\r\n\r\n // Enable Google Search as a grounding tool\r\n val config = GenerateContentConfig(\r\n tools = listOf(Tool(googleSearch = GoogleSearch()))\r\n )\r\n\r\n val response = client.models.generateContent(\r\n model = "gemini-flash-latest",\r\n content = content,\r\n config = config\r\n )\r\n\r\n println("=== Analysis ===")\r\n println(response.text)\r\n\r\n // Inspect citations and search queries\r\n val grounding = response.groundingMetadata\r\n println("\\n=== Search Queries Executed ===")\r\n grounding?.webSearchQueries?.forEach { println("- $it") }\r\n\r\n println("\\n=== Grounding Sources ===")\r\n grounding?.groundingChunks?.mapNotNull { it.web }?.forEach { source ->\r\n println("- ${source.title}: ${source.uri}")\r\n }\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3016cc10>)])]>

4. Visual generation and conversational editing: The Gemini 3 image family

The SDK provides full support for Google's latest image generation models (popularly known as the Nano Banana series of models on leaderboards).

Generating and Saving an Image

Generated image bytes are delivered directly in the response parts as a Blob:

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport java.io.File\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val response = client.models.generateContent(\r\n model = "gemini-3.1-flash-image", // Nano Banana 2\r\n text = "A photorealistic blueprint of an eco-friendly modern datacenter, isometric view, 4k"\r\n )\r\n\r\n val imagePart = response.parts?.firstOrNull { it.inlineData != null }\r\n imagePart?.inlineData?.data?.let { bytes ->\r\n File("datacenter_blueprint.png").writeBytes(bytes)\r\n println("Image generated and saved successfully.")\r\n }\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3016c3a0>)])]>

Conversational image-to-image editing

You can pass existing images and conversational edit instructions in the same request:

code_block
<ListValue: [StructValue([('code', 'val originalImage = File("input.png").readBytes()\r\n\r\nval editPrompt = Content(\r\n parts = listOf(\r\n Part(inlineData = Blob(mimeType = "image/png", data = originalImage)),\r\n Part(text = "Change the daylight illumination to a dramatic twilight skyline with illuminated windows.")\r\n )\r\n)\r\n\r\nval editResponse = client.models.generateContent(\r\n model = "gemini-3-pro-image", // Nano Banana Pro\r\n content = editPrompt\r\n)'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3016c5b0>)])]>

5. Real-time bidirectional interaction with Gemini Live

For low-latency voice, audio, and live multimodal interactions, the SDK supports the Gemini Live API via persistent WebSocket connections using client.live.connect(...):

code_block
<ListValue: [StructValue([('code', 'import com.google.genai.kotlin.Client\r\nimport com.google.genai.kotlin.types.AudioTranscriptionConfig\r\nimport com.google.genai.kotlin.types.LiveConnectConfig\r\nimport kotlinx.coroutines.launch\r\nimport kotlinx.coroutines.runBlocking\r\n\r\nfun main() = runBlocking {\r\n Client().use { client ->\r\n val model = if (client.enterprise) "gemini-live-2.5-flash-native-audio"\r\n else "gemini-3.1-flash-live-preview"\r\n\r\n val config = LiveConnectConfig(\r\n outputAudioTranscription = AudioTranscriptionConfig()\r\n )\r\n\r\n // Establish real-time bidirectional WebSocket session\r\n client.live.connect(model, config).use { session ->\r\n println("Connected to Gemini Live session!")\r\n\r\n // Launch collector for server messages (audio and text transcriptions)\r\n val receiveJob = launch {\r\n session.receive().collect { serverMessage ->\r\n serverMessage.serverContent?.outputTranscription?.text?.let { text ->\r\n print(text)\r\n }\r\n }\r\n }\r\n\r\n // Stream real-time text (or raw PCM audio blobs via session.sendRealtimeInput(audio = ...))\r\n session.sendRealtimeInput(text = "Hello Gemini! Give me a 5-second motivational quote.")\r\n\r\n // When finished, clean up\r\n receiveJob.cancel()\r\n session.closeSession()\r\n }\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3016c2e0>)])]>

6. Structured tool and function calling

When building agentic workflows or bridging LLMs with backend microservices, developers can pass structured JSON schemas via FunctionDeclaration. The model will intelligently select when to invoke the tool:

code_block
<ListValue: [StructValue([('code', 'val telemetryTool = FunctionDeclaration(\r\n name = "getDatacenterMetrics",\r\n description = "Fetch real-time CPU and thermal telemetry for a Google Cloud region",\r\n parameters = Schema(\r\n type = Type.OBJECT,\r\n properties = mapOf("region" to Schema(type = Type.STRING)),\r\n required = listOf("region")\r\n )\r\n)\r\n\r\nval response = client.models.generateContent(\r\n model = "gemini-flash-latest",\r\n text = "Check telemetry for europe-west1",\r\n config = GenerateContentConfig(\r\n tools = listOf(Tool(functionDeclarations = listOf(telemetryTool)))\r\n )\r\n)\r\n\r\nresponse.functionCalls?.firstOrNull()?.let { call ->\r\n println("Model triggered tool: ${call.name} with arguments: ${call.args}")\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3016c6a0>)])]>

Additionally, when using the chats service, you can take advantage of Automatic Function Calling (AFC), which means that functions declared in the chat conversation can be invoked automatically and transparently by the SDK on your behalf, as you can see in the following example:

code_block
<ListValue: [StructValue([('code', 'fun main() = runBlocking {\r\n // A mocked function\r\n val getWeather = callableFunction("get_weather", paramName = "city") { city: String ->\r\n "18 degrees and sunny in $city"\r\n }\r\n\r\n Client().use { client ->\r\n val chat = client.chats.create(\r\n model = "gemini-flash-latest",\r\n automaticFunctionCalling = AutomaticFunctionCalling(getWeather),\r\n )\r\n\r\n // SDK calls get_weather if needed in this conversation\r\n println(chat.sendMessage("What is the weather in Zurich?").text)\r\n }\r\n}'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f1f3016cca0>)])]>

What's next?

With the 1.0 release of the Google Gen AI SDK for Kotlin, Kotlin developers across backend server ecosystems (Ktor, Spring Boot, Quarkus, Micronaut) and mobile applications now have a clean, multiplatform foundation for building generative AI applications.

To learn more and get started, check out the following resources:

We look forward to seeing what you build with Kotlin and Gemini!

Google named a Leader in 2026 Gartner® Magic Quadrant™ for Strategic Cloud Platform Services

詳細を表示

For the ninth consecutive year, Gartner® has named Google a Leader in the Gartner Magic Quadrant™ for Strategic Cloud Platform Services, positioned furthest for Completeness of Vision. 

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="scps-26" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/scps-26.max-1000x1000.jpg" />
    
    </a>
  
</figure>


  </div>
</div>

We believe this recognition reflects our longstanding dedication to helping customers build and scale their most demanding workloads reliably and securely on Google Cloud. As we enter the agentic era, we're accelerating their journeys with a dynamic infrastructure, and connecting enterprise apps, data and agents on a single, flexible platform for predictable cost and performance.

What’s driving this momentum? There are three major advantages that we feel set Google Cloud apart:

  1. A co-designed, unified technology stack across custom silicon and hardware systems, open software and orchestration, frontier models and agentic applications.

  2. A dynamic infrastructure that helps you securely connect and scale your users, data, apps, and agents everywhere.

  3. Digital sovereignty with genuine choice, giving organizations total control over their data without sacrificing essential cloud functionality.

We are committed to helping our customers innovate and deliver at scale while giving them the flexibility, performance, and control they need. Let’s dive into three design principles that Google Cloud lives by as we continue to build and enhance our infrastructure:

1. Accelerate AI with a co-designed stack without lock-in

Google Cloud is the only provider to deliver a complete, first-party AI stack that is deeply co-designed from silicon to agentic applications. Our infrastructure team works with Google DeepMind researchers to co-design and optimize every layer of our technology stack. From custom silicon, like Google TPUs and Arm-based Google Axion processors, to Google Kubernetes Engine (GKE) and Gemini models, our system delivers exceptional performance and predictable costs.

Co-designing hardware and software creates massive operational efficiency, but it doesn't mean creating a closed ecosystem. We remain deeply committed to open source and open standards across every layer of the stack including frameworks like llm-d for distributed inference, benchmarking for open models with GKE Prism, and eliminating hardware lock-in with TorchTPU for PyTorch compatibility across TPUs and GPUs. You get the full power of a vertically co-designed stack while maintaining complete freedom across models, frameworks, and silicon. Combining all of these deeply integrated components means building an AI Hypercomputer, capable of exceptional scale, performance, and efficiency. This is the same infrastructure foundation chosen by nine of the top ten AI labs globally. 

2. Scale quickly and economically with a dynamic infrastructure

Today, demand for AI resources is skyrocketing. Internally at Google, our data centers now process 3.2 quadrillion tokens monthly, roughly 7x more than last year1. For enterprise leaders navigating this shift, scaling AI systems are notoriously difficult to architect, resource-intensive, and bursty, which can lead to scaling bottlenecks and large pools of underutilized compute. 

Organizations need a dynamic infrastructure to automate capacity management, modernize business applications at their own pace, and securely connect data, apps, and agents to drive optimized global experiences. 

To thrive at an agentic scale, you need infrastructure capable of operating as a single system. With Google Cloud, you can:

  • Kick-start your AI transformation using Gemini-powered tools to intelligently map and modernize core apps, turning static legacy systems into dynamic foundations for AI and agents.

  • Choose from a wide range of workload-optimized compute types and configurations. You can combine predefined and custom CPU shapes, NVIDIA GPUs, and Google custom silicon (TPUs and Axion CPUs), which are designed to deliver exceptional performance-per-dollar for AI and Enterprise workloads.

  • Connect your enterprise and AI infrastructure on a single, flexible control plane with Google Kubernetes Engine. This includes capacity management capabilities like Dynamic Workload Scheduler to preschedule capacity for planned events and dynamic resource allocation to define advanced rules that dictate how resources are consumed, helping to maximize utilization and reduce costs.

  • Simplify day two operations using Gemini Cloud Assist to proactively identify, troubleshoot, and resolve operational issues for your new agent-based workflows.

  • And finally, run your workloads across hybrid and multicloud environments with Cross-Cloud Interconnect, leveraging Google’s 10+ million kilometer private fiber backbone to deliver up to 40% higher performance than public internet routing and automated delivery in minutes2.

By adopting a unified foundation of dynamic infrastructure, adaptive applications, and responsive systems, organizations can establish the resilient, high-performance infrastructure necessary to lead in this new technological frontier.

3. Embrace digital sovereignty with more choice and security

You shouldn’t have to compromise between modernization, frontier AI capabilities, and regulatory control. Sovereign Cloud from Google gives you access to Gemini and open-weight models across sovereign platforms with three flexible deployment options:

  • Data sovereignty and control: Retain complete control over your data’s location and cryptographic authority with Google Cloud Data Boundary. Manage your encryption keys outside Google infrastructure using External Key Management (EKM) with Key Access Justifications (KAJ), while enforcing precise geographic processing and storage boundaries across both Google Cloud and Google Workspace.

  • Local compliance and regional operations: Run your applications on physically and logically separated regional clouds operated exclusively by local partners, built on Google Cloud dedicated for European customers. In France, S3NS delivers PREMI3NS, providing a standalone sovereign cloud that has achieved the SecNumCloud 3.2 qualification from the French National Agency for the Security of Information Systems (ANSSI). Dedicated sovereign cloud operations operated by Thales are also coming soon to Germany.

  • On-premises and air-gapped flexibility: Bring Google Cloud capabilities directly to your on-premises environment via Google Distributed Cloud (GDC). GDC offers two distinct deployment modes: air-gapped, a fully-managed, self-contained environment operating with zero connectivity to the public internet for public sector, defense, and regulated enterprise workloads; and connected, allowing you to run workloads on your hardware locally while leveraging Google Cloud’s centralized control plane for unified management. 

Accelerate your Cloud journey

Whether you're modernizing core enterprise systems, managing complex compliance requirements, or deploying autonomous AI agents, Google Cloud gives you the performance, scale, and freedom of choice to succeed.

Read the full 2026 Gartner Magic Quadrant for Strategic Cloud Platform Services or explore our AI Hypercomputer page to learn more.

1. Pichai, Sundar. "I/O 2026: Welcome to the Agentic Gemini Era." The Keyword, Google, 19 May 2026
2. During testing, network latency was more than 40% lower when traffic to a target traveled over the Cross-Cloud Network compared to when traffic to the same target traveled across the public internet.

Google Cloud Japan Blog

AI インフラストラクチャの動的容量管理

詳細を表示

※この投稿は米国時間 2026 年 8 月 27 日に、Google Cloud blog に投稿されたものの抄訳です。

インターネットによって数十億の人々とモバイル デバイスがつながり、今や誰もがコンピュータを手にしています。現在、私たちは次なる大きなテクノロジー シフトの真っ只中にいます。そこでは、何百万もの自律型 AI エージェントがデプロイされ、従業員やエンドユーザーとともに働くようになっています。このたび、Google は組織がプロジェクト レベルで AI 費用を管理し、トークン ショックを解消できるよう、Gemini Enterprise の新しい FinOps コントロールを発表しました。しかし、エージェント時代の圧倒的なスケールは、インフラストラクチャを含むスタックのあらゆるレイヤに新たな制約をもたらしています。AI ワークロードは、設計の難しさ、リソース消費の激しさ、そしてバースト性があることで知られています。これらはスケーリングのボトルネックを招くだけでなく、十分に活用されない（または誤用される）コンピューティング リソースを大量に発生させる原因にもなります。

組織は、インフラストラクチャへの投資からさらなる価値を引き出すための分析情報を必要としています。このブログ記事では、動的容量管理のベスト プラクティスについて説明します。これは、コストとパフォーマンスの予測可能性を維持しながら、単一の柔軟な基盤上でエンタープライズ アプリケーションと AI アプリケーションを実行できるようにするための、スケジューリングと利用の戦略です。これらの機能は、オンデマンド、Spot、確約利用割引（CUD）といった使用量モデルを強化するように設計されており、ワークロードに応じた柔軟な料金設定と割引を提供します。それでは詳しく見ていきましょう。

概要

動的容量管理を実装する 3 つの方法:

  1. 計画されたイベントの容量をスケジュールする。Dynamic Workload Scheduler のカレンダー モードを使用して、計画されたイベントに先立ってミッション クリティカルなリソース（GPU、TPU、特定の VM ファミリー）をスケジュールしたり、Flex Start モードを使用して、開始時間が柔軟なバッチジョブの費用を最適化したりできます。容量が確保されると、指定した期間、それらのリソースが保証されます。

  2. すべてのアプリケーションのフォールバック計画を作成して、サービスの継続性を維持する。マネージド インスタンス グループ（MIG）を使用して、優先順位に基づいたハードウェアの自動フォールバック リストを定義します。これにより、希望するオプションが利用できない場合でも、アプリが次の承認済みコンピューティング オプションに自動的に切り替わるようにします。

  3. 単一の適応型コントロール プレーンで、容量管理のライフサイクル全体を自動化する。Google Kubernetes Engine（GKE）は、カスタム ComputeClass を使用したフォールバック リストから、動的リソース割り当てを通じたきめ細かいハードウェア スライスまで、プロセス全体をオーケストレートするエージェント ネイティブ環境を提供します。これにより、リソースを即座に再割り当てしながら、安全なサンドボックスやコンテナ内でエージェントを迅速にスピンアップすることが可能になります。

アーキテクチャの柔軟性が重要な理由

企業の 90% が今後 3 年以内にエージェントを導入したいと考えていますが、現在の IT 環境でその負荷を処理できると確信している IT リーダーはわずか 17% に留まっています。これらのワークロードには独自のパフォーマンス ニーズがあるため、各組織はアクセラレータ（GPU、TPU）や、コンピューティング・メモリ・ストレージの比率をカスタマイズした CPU といった専用インフラストラクチャの導入を急ピッチで進めています。しかし、エージェントはエンタープライズ アプリケーションやデータベースにもアクセスする必要があります。しかもそのアクセス量やスケールは、人間による通常の使用をはるかに凌駕することが少なくありません。エージェントとエージェントがやり取りするアプリケーションの両方からの大きな需要に対応するには、動的なインフラストラクチャが必要です。インフラストラクチャ チームは、Google の Axion のようなカスタム設計のプロセッサを活用してこれらのニーズを満たすことができますが、ハードウェアだけでは完全なソリューションにはなりません。そのインフラストラクチャを賢く利用し、実行の非効率性を解決して、スタック全体でより柔軟性を高める方法も必要です。

インフラストラクチャの制約を克服する方法

このような柔軟性を実現するには、2 つのアプローチが必要です。予測できる需要に対してリソースを確保することと、予測できない需要に対応するための自動化を構築することです。この 2 つを組み合わせることで、計画されたイベントの容量を事前にスケジュールし、手動による介入なしにインフラストラクチャを予期しない変更に適応させることができます。

1. 計画されたイベントの容量をスケジュールする

Dynamic Workload Scheduler を使用すると、予定されているマイルストーン、オフライン トレーニング、予想される需要の急増に先立って、ミッション クリティカルな容量を確保できます。必要なリソースを事前にスケジュールすることで、費用を最適化し、必要なコンピューティング リソースに確実にアクセスできます。Dynamic Workload Scheduler は、ハードウェア アクセラレータ（TPU と GPU）と一部の CPU をサポートしており、次の 2 つのモードがあります。

  • Flex Start モード: バッチ処理、モデル トレーニング、オフライン ファインチューニングなど、レイテンシを許容できるワークロードに使用します。リソースをすぐに要求するのではなく、期間を定義したリクエストを送信することで、システムがジョブをインテリジェントにキューに入れ、容量が利用可能になり次第、リソースをプロビジョニングします。これにより、コスト効率を最大化し、需要の高いアクセラレータを確保できる可能性を大幅に高めることができます。

  • カレンダー モード: 主要なプロダクトのリリース、予定されている移行、季節的なトラフィックの急増など、ミッション クリティカルで時間制限のあるイベントに使用します。イベントの正確な開始日と終了日を指定することで、将来の予約を作成します。これにより、イベントの開始時に、リクエストされた容量が確実に利用可能になります。

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="1" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_SEuNvWu.max-1000x1000.png" />
    
    </a>
  
</figure>


  </div>
</div>

2. すべてのアプリケーションのフォールバック計画を作成して、サービスの継続性を維持する

トラフィックの急増は、必ずしも予測できるものではありません。また、ニュース速報や市場の急激な変化などによってユーザー アクティビティが急増し、予期しないトラフィックが発生した場合に備えて計画を立てる必要もあります。サービスが必要なリソースを中断なく取得できるようにするには、フォールバック計画（許容可能なハードウェア構成の優先順位を付けた自動シーケンス）が必要です。この戦略により、以下のことが可能になります。

  • ワークロードを単一の VM シェイプ、サイズ、構成から切り離します。これにより、希望するオプションが利用できない場合でも、手動介入なしで実行できます。

  • 最新世代の VM を第一の選択肢として採用し、旧世代の VM を自動フェイルバック オプションとして保持することで、段階的な技術更新を実行できます。

Google Compute Engine でコンテナ化されていないワークロードを実行する場合は、マネージド インスタンス グループ（MIG）のインスタンスの柔軟性と VM の一括作成を使用して、容量を動的に管理できます。インスタンスの柔軟性により、単一のマシンタイプに制限されることなく、VM インスタンスに複数のマシンタイプを指定できます。

仕組み: 希望するマシンタイプが一時的に利用できない場合、MIG はリアルタイムの容量に基づいて、リストから互換性のある代替マシンタイプを自動的にプロビジョニングします。これをロケーションの柔軟性と組み合わせる（MIG がリージョン内で検索できる複数のゾーンを指定する）ことで、プロビジョニングの成功率を大幅に向上させることができます。MIG が Spot VM を使用している場合、Compute Engine は Spot 容量シグナルと自動的に統合し、推定稼働時間が長く、プリエンプションのリスクが低いマシンタイプを優先します。

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="2" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_lW2ljtl.max-1000x1000.png" />
    
    </a>
  
</figure>


  </div>
</div>

さらに、ベースライン ディスクのデフォルト設定とディスク オーバーライドの構成により、インスタンスの柔軟性をブロック ストレージ レイヤまで拡張することが可能です。これにより、VM が別のマシンタイプにフォールバックした際、ストレージもそれに応じて自動的に適応します。

仕組み: ほとんどの場合、デフォルトのオプションを使用するだけで十分です。インスタンス テンプレートから「ディスクタイプ」を完全に省略できます。ただし、関連付けられた VM よりも長く存続するデータディスクについては、複数の VM 世代にわたって高速で耐久性に優れた Hyperdisk を有効にできます。

Compute Engine は仮想マシンを使用する組織にインスタンスの柔軟性を提供しますが、GKE はさらに一歩進んで、単一のコントロール プレーンから容量のライフサイクル全体を自動化します。GKE カスタム ComputeClass を活用することで、プラットフォーム チームは多次元のフォールバック リストを設計できるようになります。異なる VM マシン ファミリーやサイズ、構成比の自動的な組み合わせ、複数ゾーンにわたるスケーリング、さらにはオンデマンド VM とスポット VM の切り替えまで、柔軟な運用が可能です。Dynamic Workload Scheduler を容量ターゲットとして使用し、カスタム ComputeClass を使用してポリシーと優先度を定義することで、容量管理のライフサイクルを完全に自動化できます。

仕組み: ComputeClass を設定すると、GKE は希望するノード構成が利用できない状況を自動的に検出し、優先順位に従って事前に承認された代替オプションにフォールバックします。アクティブな移行が有効になっている場合、GKE は容量が利用可能になると、ワークロードを優先度の高いノード構成に正常に移行します。ブートディスクなどの一時的なディスクの場合、GKE はインスタンス ファミリーに基づいて適切なデフォルト設定を動的に選択します。ただし、VM よりも長時間存続するディスクには、Hyperdisk を使用できます。

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="3" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_bBzgKas.max-1000x1000.png" />
    
    </a>
  
</figure>


  </div>
</div>

GKE のもう一つの機能である動的リソース割り当ては、リソースの消費方法を指示する高度なルールをデベロッパーが定義できるようにすることで、「全か無か」といった無駄の多いハードウェア割り当てを解消するのに役立ちます。

仕組み: GPU や TPU 全体を要求するのではなく、アプリケーションが合計メモリやコア数などの正確なパラメータを指定します。それに基づき、システムが最適なハードウェア スライスを割り当てるため、使用率を最大化し、費用を削減できます。

<div class="article-module h-c-page">
  <div class="h-c-grid">


<figure class="article-image--large
  
  
    h-c-grid__col
    h-c-grid__col--6 h-c-grid__col--offset-3
    
    
  ">

  
  
    
    <img alt="4" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4_RtJb1xh.max-1000x1000.png" />
    
    </a>
  
</figure>


  </div>
</div>

動的インフラストラクチャへの次のステップ

AI をスケールしても、インフラストラクチャの予算が比例して増大したり、技術的負債が蓄積したりするわけではありません。これらの例が示すように、適切なツールを使用することで、制約を克服し、コンピューティングへの投資から得られる価値を劇的に変えることができます。利用を開始するには、次の 3 つのステップを実行します。

  1. ワークロードを監査して、すぐにコストを削減する: 現在、単一の VM ファミリー、マシンタイプ、またはアベイラビリティ ゾーンに緊密に結合されているアプリケーションを特定し、実行可能な代替ハードウェア シェイプをマッピングします。既存の構成だけでなく、ワークロード レベルの目標に基づいて、より適しているか、代替として機能する可能性のある新しいコンピューティング オプションを評価します。次に、Compute Engine MIG、VM の一括作成、または GKE カスタム ComputeClasses を使用して自動的に採用し、フォールバック リストに統合します。

  2. 最小利用額を確約して大幅な割引を受ける: 継続利用による自動割引に加え、コンピューティング フレキシブル確約利用割引を利用すれば、最大 63% の割引が適用されます。この割引は、特定のマシンタイプやロケーションに関係なく、使用するリソースに関連付けられます。

  3. アカウント チームに問い合わせる: Google Cloud アカウント チームに連絡して、カスタマイズされた容量管理戦略を策定し、自動フォールバック リストを構成します。

- オーケストレーションおよび Kubernetes プロダクト担当シニア ディレクター、Drew Bradstock

業務の再定義: Pythian の社内 AI ハンドブックがもたらす顧客の ROI

詳細を表示

※この投稿は米国時間 2026 年 8 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

Pythian が 27 か国に展開する 500 人規模の自社全体に Google Cloud の Gemini Enterprise を導入した際、その目的は明快でした。それは、自社を実証の場として、エンタープライズ AI が実際にどのように ROI をもたらすのかを見極めることでした。

そこで得られた知見が、私たちの戦略を根本から変えました。

Gemini Enterprise のロールアウトや、それ以前のエンタープライズ AI のデプロイを通じて、Pythian は、なぜこれほど多くの AI プロジェクトが停滞や失敗に終わるのかを、実体験として目の当たりにしてきました。

ほとんどの組織は、ツール中心の考え方の罠に陥っています。ライセンスを購入してツールを広く展開しさえすれば、価値は自ずとついてくると信じ込んでいるのです。ユーザーあたり 5 分の節約といった些細な効率化を追い求めるあまり、構造的で ROI の高いワークフローの変革を見逃してしまいます。さらに厄介なことに、カスタム エージェントを構築したとしても、AI モデルドリフト、エージェントのライフサイクル、継続的なオブザーバビリティを管理する運用能力がチームに不足しているため、試験運用の段階で停滞したり、本番環境で破綻したりすることが少なくありません。

この課題を解決するために、Pythian は Pythian AI オペレーティング モデルを構築しました。これは、エンタープライズ AI を大局的な戦略策定から持続的な本番運用へと導くために設計された、多面的かつエンドツーエンドのフレームワークです。デュアル センター オブ エクセレンス（COE）が実行の原動力を担う一方で、一貫して数百万ドル規模の成果を引き出しているのは、フィールド CTO 戦略やツールのデプロイからデュアル COE、XOps に至るまで、フレームワーク全体を適用することにほかなりません。

この完全なモデルをまず社内で実証することで、Pythian はアクティブ ユーザー エンゲージメントを 3 倍に急増させ、データベース インシデントの解決時間を 80% 短縮しました。

Pythian AI オペレーティング モデルの 4 つの柱

エンタープライズ AI の一般的な失敗要因を克服するために、Pythian のフレームワークでは、戦略、実行、運用を 1 つの継続的なループに統合しています。

フィールド CTO 戦略  ──>  ツールのデプロイ  ──>  デュアル COE の実行  ──>  本番環境 XOps

  1. フィールド CTO 戦略とガバナンス: 生成 AI は、IT の歴史において、理論的にも最も難易度の高いアーキテクチャの転換であると言えるでしょう。役員出身の技術リーダー陣が率いるフィールド CTO プラクティスは、経営幹部向けのアドバイザリーを通じて、運営委員会の設立や明確な価値指標の策定を支援します。チームは、16 個の水平方向のエージェント型パターン（ドキュメント処理の自動化やランブックの作成など）を使用して運用を監査し、開発が開始される前に、費用対効果の高いユースケースの優先順位付けされたバックログを構築します。

  2. ツールとプラットフォームのデプロイ: チームは、Gemini Enterprise などのプラットフォーム上に本番環境グレードのセキュアな基盤を確立し、AI を CRM、ERP、データベース資産に直接接続して、実際の企業コンテキストにモデルをグラウンディングします。

  3. デュアル COE: この実行エンジンは、2 つの専門エンジンに分かれています。

    • 従業員の生産性 COE: このグループは、導入とチェンジ マネジメントを担当します。技術部門以外のチーム（人事や調達など）が独自のエージェントを構築することを期待するのではなく、この COE は、イネーブルメントに完全に焦点を当てて、これらのチーム向けにノーコード エージェントを構築します。

    • プロセス生産性 COE: このチームは、自律的な運用のためにコアデータ プラットフォームに統合される、高度なカスタムコード AI エージェントと複雑なエージェント ワークフローを設計します。

  4. XOps（AI 本番環境管理）: エージェントのデプロイは取り組みの 20% にすぎず、本番環境での精度を維持することが 80% を占めます。AI モデルとプロンプト構造は時間の経過とともに自然に変化するため、この XOps プラクティスは、コア ワークフローを中断することなくエージェントのパフォーマンスを維持するために必要な継続的なモニタリング、プロンプト チューニング、モデルのオブザーバビリティを提供します。

散発的な小さい効率化を追求することと、構造的な企業 ROI を推進することの違いは、オペレーティング戦略をどのように調整するかによって決まります。

アライメント要素

ツール中心のアプローチ

Pythian AI オペレーティング モデル

主要な指標

ユーザー 1 人あたりの節約時間

インパクトの大きいワークフローの再定義と ROI

運用の重点

指針のない広範なツール提供

16 のエージェント パターンによる優先順位付けされたバックログ

実行力

ユーザーによるアドホックなテスト

デュアル COE（人材とプロセスの生産性）

本番環境のライフサイクル

モニタリングされていない静的デプロイ

アクティブ XOps（継続的な精度とドリフトの管理）

実際の導入効果: データベース運用からグローバル サプライ チェーンまで

70 か所の製造プラント管理であれ、30,000 個のエンタープライズ データベース管理であれ、AI は構造的で価値の高いワークフローに結びついたときに成果を発揮します。

  • 「自らが顧客となる」Pythian の事例: 月間 15,000 件に及ぶデータベース チケットに対し、プロセス COE は、エンジニアが着手する前にチケットの読み取り、ナレッジベースの検索、ミニランブックの自動生成を行うエージェント型ワークフローをデプロイしました。その結果、平均解決時間が 80% 短縮され、アクティブ ユーザー エンゲージメントが 3 倍になりました。

  • ナレッジ マネジメント企業の顧客: 10,000 人のコンサルタントに自律型 IT サポート エージェントをデプロイしました。その結果、年間 20,000 件の IT チケットの 10% を「ノータッチ」で解決できるようになり、100 万時間以上の運用時間を節約できました。

  • サプライ チェーン企業の顧客: Gemini Enterprise でカスタムのエージェント サプライ チェーン ツールを構築することで、世界 70 か所の製造拠点で予測マッチング サイクルを数週間から 2～3 日に短縮できました。

  • 小売企業の顧客: Gemini エージェント型 AI とコンピュータ ビジョンを組み合わせて、店舗の商品オンボーディングを自動化しました。その結果、20 分かかっていた手動タスクを数秒のフローに変換できました。

AI オペレーティング モデルを構築する準備はできましたか？

AI をスケールするには、ツールレベルのテストだけでは不十分です。エンドツーエンドの AI オペレーティング モデルも必要になります。Pythian が Google Cloud と連携して戦略を体系化し、XOps を合理化して、Gemini Enterprise 導入への道のりをどのように加速させるか、ぜひ詳細をご覧ください。

- Pythian、最高技術責任者、Paul Lewis 氏

- Pythian、ビジネス開発担当バイス プレジデント、Vanessa Simmons 氏

Cloud Run インスタンスを使用したパーソナル AI エージェントのデプロイ

詳細を表示

※この投稿は米国時間 2026 年 8 月 28 日に、Google Cloud blog に投稿されたものの抄訳です。

AI エージェントなどの長期稼働型ステートフル ワークロードを、低コストかつ高パフォーマンスで実行する方法をお探しですか？このたび、Cloud Run インスタンスが導入され、まさにそれが可能になりました。

個人開発者や個人利用を想定した OpenClaw や Hermes などの AI エージェントについて考えてみてください。これらのエージェントは多くの場合、常時稼働し、一度に 1 人のユーザーのみに対応する傾向があります。そのため、Cloud Run サービスで一般的に実行されるステートレスで高スループットなウェブサービスとは、インフラストラクチャ要件が大きく異なります。

Cloud Run サービスはリクエストが止まるとゼロにスケールされるため、常に 1 つのインスタンスを継続的に稼働させる必要がある長期稼働型エージェントには適していません。一方、専用 VM を実行するという代替手段では、24 時間 365 日フルでコンピューティング料金が発生するほか、オペレーティング システムのアップデート管理、ファイアウォール ポートの開放、独自の HTTPS エンドポイントのプロビジョニングなども自分で行う必要があります。

Cloud Run インスタンスは、Cloud Run 上に専用のシングルトン コンピューティング ランタイムを提供します。次のような特徴があります。

  • 自動スケーリングなしで 1 つのインスタンスのみを実行

  • 最大 7 日間の連続稼働が可能（デフォルトで自動再起動ポリシーを構成済み）

  • すべてのインスタンスに HTTPS URL が割り当てられ、更新や再起動を行っても変更されない

  • 各インスタンスは、使用していないときは停止し、必要なときにいつでも再開できる

1 個の vCPU と 1 GiB のメモリを備えた Cloud Run インスタンスを 30 日間継続して実行する費用は $5.70 です。Cloud Run インスタンスは、vCPU バースト予算を備えた共有 vCPU を使用することで、予測可能な低料金で継続的に稼働します。このモデルは、常に高いコンピューティング負荷がかかるわけではなく、タスク実行時のみ使用量が急増するような、長期稼働型エージェントにも最適です。

例: Cloud Run インスタンスに OpenClaw をデプロイする

OpenClaw は、ユーザーに代わってさまざまなタスクを実行し、時間の経過とともにさらに優れたアシスタントへと成長する、オープンソースのパーソナル AI エージェントです。OpenClaw ユーザーの多くは、最初は自分のノートパソコンで使い始めますが、パソコンがスリープ状態になるたびに OpenClaw が終了してしまわないよう、別の実行場所が必要であることにやがて気づきます。

OpenClaw を Cloud Run インスタンスにデプロイするのは簡単です。OpenClaw の構成ファイルを Cloud Storage バケットにアップロードしたら、1 つのコマンドだけで OpenClaw エージェントを Cloud Run インスタンスにデプロイできます。

code_block
<ListValue: [StructValue([('code', 'gcloud beta run instances create openclaw-instance \\\r\n --image ghcr.io/openclaw/openclaw:latest \\\r\n --port 18789 \\\r\n --public \\\r\n --add-volume mount-path=/home/node/.openclaw,type=cloud-storage,mount-options="uid=1000;gid=1000;file-mode=0700;dir-mode=0700",bucket=${BUCKET} \\\r\n --set-env-vars "OPENCLAW_GATEWAY_PASSWORD=${PASSWORD},GEMINI_API_KEY=${GEMINI_API_KEY}"'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7fa45e24f6a0>)])]>

デプロイ後は、この OpenClaw インスタンスを好きなだけ実行し続けることができます。Telegram、WhatsApp、お好みのソーシャル メディア プラットフォームを介してやり取りでき、使用したいツールに接続することもできます。

OpenClaw をデプロイする方法の詳細については、こちらの Codelab をご覧ください。

Cloud Run インスタンスと Cloud Run サービスの両方で、SSH アクセスの提供も近日中に開始される予定です。限定公開アクセスにはこちらからご登録いただけます。

お客様の声

Cloud Run インスタンスを活用することで、Google Cloud ユーザーは AI エージェントなどの長期稼働型ワークロードを、低コストかつ高パフォーマンスで運用できるようになります。

OffDeal は、小規模企業向けの AI を活用した投資銀行で、Cloud Run インスタンス上で長期稼働型エージェントを運用しています。

「現在、長時間実行されるエージェントの主要なインフラストラクチャとして Cloud Run インスタンスを使用しており、コールド スタートを 88% 削減できました。すべてが非常に簡単に実装でき、信頼性も極めて安定しています。」- OffDeal、技術スタッフ メンバー、Luis Ruiz Morel 氏

詳細

現在プレビュー版の Cloud Run インスタンスは、パフォーマンスを犠牲にすることなく新しい種類のワークロードを実行できる費用対効果の高い方法です。Cloud Run インスタンスの詳細については、次のリソースをご覧ください。

- プロダクト マネージャー、Ryan Pei

- ソフトウェア エンジニア、Matthew Robertson

Google Cloud Blog (AI & ML)

Getting started with Mantis, our open-source bug finding-and-fixing harness

詳細を表示

AI models have clearly proven their ability to discover and exploit vulnerabilities without much, if any, human assistance. To help defenders gain the advantage with AI, we built the Mantis harness to automate the discovery, triage, reproduction, and patching of software vulnerabilities. 

Available to all as an open-source framework, Mantis is part of Google’s internal approach to find and fix vulnerabilities at machine-speed. It creates a more effective scalable, context-aware repository analysis. 

While sloppiness in AI code scanning frequently leads to hallucinated bugs and weak true-positive rates under 7%, we designed Mantis to be effective by combining industry-standard agentic techniques like critic and review agents with sandboxed reproduction of vulnerabilities for grounding. 

As we detailed in June, it examines the history of the repository to learn from past security fixes and automatically builds up architectural and threat model documentation, even if these are not provided. 

It constructs a hierarchical security summary tree, condensing individual files into directory and root-level summaries. This technique reduced token overhead by over 85%, while preserving critical structural context across massive repositories.

Mantis distills decades of cybersecurity expertise across a wide spectrum of codebases, and is available on GitHub. Here’s how you can get started using Mantis.

  • First, clone the Mantis repo locally using:

code_block
<ListValue: [StructValue([('code', 'git clone https://github.com/google/mantis.git'), ('language', ''), ('caption', <wagtail.rich_text.RichText object at 0x7f4f72ec03d0>)])]>

  • Second, open your favorite coding agent and use the prompt, “I would like to use Mantis framework in path/to/mantis to review my code in path/to/your/code, can you help me get started?” 

Internally at Google, this exact prompt has been used to find real vulnerabilities across our many code repositories. As part of the Mantis repository on GitHub, we’ve included sample sandboxing options. You can also implement your own sandbox to match your own workflow.

Mantis is intended to be an easy place to start with vulnerability discovery, true positive filtering, and patching. Once you've got a handle on AI-discovered vulnerabilities, you can use the new mantis-advise skill to make use of the accumulated knowledge and get your coding agents to write secure code the first time.

To get the most out of AI-driven vulnerability discovery and modernize your development practices, we strongly recommend two essential practices:

  1. Feed your tools the right context: While Mantis automatically analyzes commit history and code to build documentation for itself, human-curated knowledge often can dramatically improve the quality of your results. For example, if you would never waste time fixing bugs where the user can crash their own program, this is critical information for a scanning pipeline to ensure that those types of bugs are never surfaced.

  2. Build a cyber sandbox with vulnerability acceptance criteria. Safe, sandboxed environments where you can reproduce vulnerabilities with clear vulnerability-reproduction criteria will give you better results for surfacing only the things you need to know and also for ensuring that your fixes are correct.

You can learn more about Mantis here.

前日
Archive
翌日