自動運転市場の動向・歴史

AI開発の概要および次期GPU計算基盤・自動運転開発の歴史（2004〜）

1. 自動運転構想から実装競争への移行

世界で最初に「自動運転」の構想が世に出たのは1939年と言われています。1939年～1940年にかけて開催されたニューヨーク万国博覧会において、米GMが「Highways and Horizons」というパビリオンを出展し、20年後の未来都市像を表現したジオラマを展示しました。このジオラマ内の都市を走る高速道路は「Automated Highway Systems」と名付けられ、「未来社会では自動車の運転は自動化される」という強烈なメッセージを残しました。

その後、各国の研究機関を中心に自動運転の研究・開発が進められましたが、本格的な進展は2000年代後半のDARPAグランド・チャレンジが大きなきっかけとなりました。アメリカで行われたこのコンペでは実際の車を使い、大学・研究機関を中心として自動運転車の設計・開発が進められました。政府・各企業からも多額の投資が行われ、このコンペに出場した研究者・エンジニアがGoogle Waymoをはじめとする自動運転企業を創設しました。2010年代後半には地域・ユーザーを限定した形の自動運転商用サービスも開始されています。

2. 自動運転レベルという枠組みの本質

自動運転は一般にレベル1からレベル5までの段階で整理されますが、これは単純な技術進化の順序を示すものではありません。各レベルは、運転に対する責任の所在や、システムが機能する条件を整理するための枠組みです。レベル2までは運転支援の範囲にとどまり、最終的な責任は人間にあります。一方で、レベル3以上ではシステム側が判断と責任を担う場面が生じます。

重要なのは、これらのレベルが連続的に積み上がるとは限らない点です。特定条件下で成立する自動運転を広げていけば、自然に完全自動運転に到達するわけではありません。むしろ、限定条件を前提とする設計は、一般化を阻む要因になる場合もあります。完全自動運転を目指すためには、最初からロングテールな事象を含む現実環境への対応を視野に入れた技術選択が求められます。

3. ルールベース自動運転の限界とロングテール問題

一般公道での運転が難しい理由は、発生頻度が低く、判断難度が高い状況が無数に存在する点にあります。工事現場、交通誘導、予測不能な歩行者の動きなど、運転中には常に例外的な判断が求められます。人間は、周囲の情報を整理し、社会的な常識や文脈を踏まえて行動を選択しています。

従来の自動運転開発では、認知・予測・計画・制御を分業化し、それぞれに詳細なルールを設けるアプローチが主流でした。しかしこの方法では、例外的な状況が増えるほどルールが肥大化し、システム全体の複雑性が増していきます。結果として、開発や検証の負荷が高まり、一般化が難しくなるという課題が顕在化しています。

4. End-to-Endと生成AIによる前提条件の変化

こうした課題に対する一つの方向性として、センサ入力から運転行動までを一貫して学習するEnd-to-End型の自動運転が注目されるようになりました。この方式では、人手でルールを設計するのではなく、データと学習によって判断能力を獲得することを目指します。大量の走行データと計算資源を前提とする一方で、ロングテールな状況に対する一般化性能を高められます。

さらに近年、生成AIの発展により、「複雑な情報を整理する」「文脈や常識を踏まえて判断する」といった能力が学習によって獲得できることが示されました。これは運転に必要な能力と親和性が高く、自動運転開発の前提条件を大きく変える要素となっています。自動運転研究の主戦場も、車両工学中心から、AI・機械学習を軸とした領域へと移行しつつあります。

5. 文脈理解と未来予測を支える技術群

完全自動運転を成立させるためには、現在の状況を正確に把握するだけでなく、「何が重要で、何が重要でないか」を整理し、その先に起こり得る変化を予測する必要があります。このため、視覚と言語を統合して状況を理解する技術や、視覚・言語・行動を一体で扱う学習手法が活用されるようになっています。これらの技術は、単なる物体検出を超えて、運転に必要な文脈理解を支えます。

また、未来の状態を内部でシミュレーションする世界モデルや、三次元空間を高精度に表現する3Dガウシアンスプラッティング技術も重要な役割を果たします。これにより、現実では遭遇頻度が低いが重要度の高い状況についても、学習や検証の対象に含めることが可能になります。文脈理解と未来予測、空間理解を組み合わせることで、運転判断の安全性と汎用性を高める方向性が明確になっています。

6. データ・計算資源・回転数を軸とする競争構造

生成AI時代の自動運転市場では、単一のアルゴリズムやモデルの巧妙さだけで競争力が決まるわけではありません。重要なのは、十分な量と質のデータを継続的に収集できるか、それを処理・学習する計算資源を確保できるか、そして改善のサイクルをどれだけ速く回せるかという点です。

データ、計算資源、開発基盤が噛み合うことで、学習による性能向上が初めて現実のものになります。このため、MLOpsや計算基盤への投資は、自動運転市場における競争力の前提条件となっています。市場の関心も、単発のデモや限定的な成功事例から、継続的に改善できる構造を持っているかどうかへと移行しています。

7. 完全自動運転に向けた市場の現在地

自動運転市場は、限定条件下での自動化から、より一般化された自律走行へと課題の重心を移しています。その過程では、ロングテールな状況への対応、文脈理解、未来予測、安全性の説明といった要素が不可欠になります。これらは短期間で解決できる課題ではなく、長期的な技術投資と改善の積み重ねが求められます。

生成AIやEnd-to-End学習を取り入れたアプローチは、こうした課題に対する現実的な選択肢として位置付けられています。自動運転市場は調整と期待の波を繰り返しながらも、運転の主体が人からAIへ移行する方向性自体は変わっていません。現在は、その移行を成立させるための技術と基盤を整える段階に入っていると言えます。