ニュースの概要
ティアフォーとAstemoが、自動運転に使う人工知能の開発基盤を共同で構築する。自動運転ソフトウェアを手掛けるティアフォーと、車両部品や制御技術に強みを持つAstemoが協力し、走行データの収集、AIモデルの学習、性能評価といった開発工程をつなぐ狙いだ。自動運転では、車両やセンサーの違いに応じた調整が繰り返し発生する。両社の連携は、ソフトウェアと車載機器を別々に作る従来型の進め方を見直し、実車で得た知見を次の開発へ戻しやすくする取り組みといえる。
引用元: ティアフォーとAstemo、自動運転向けAI開発基盤を共同構築（MONOist）
分析・見解
自動運転の開発費を押し上げる「データの分断」を解消できるか
自動運転の難しさは、AIの認識精度だけではない。カメラやレーダーが取得した情報を整理し、学習に使える形へ変換し、仮想空間と実車で確かめるまでに多くの工程がある。車両メーカー、部品会社、ソフトウェア会社がそれぞれ別の形式でデータを管理すると、同じ事故に近い場面を何度も作り直すことになる。開発費の大きな部分は、実は新しい機能そのものより、この受け渡しの手間に消えている。
両社の共同基盤が、走行データの記録方法や評価手順をそろえられれば、異なる車種で得た情報を再利用しやすくなる。ティアフォーのソフトウェア開発力と、Astemoが持つ車両制御や部品の知見を結び付ける点にも意味がある。自動運転を一つの完成品として売るのではなく、車両ごとに安全な組み合わせを早く見つける仕組みが重要になる。
AIの精度より「失敗例を集める仕組み」が競争力になる
公道で頻繁に起きる場面は、各社のAIがすでに一定の精度で処理できる。差がつくのは、逆光で歩行者が見えにくい場面、工事で車線が変わる場面、路肩に停車した車を避ける場面など、発生頻度が低く判断が難しい事例だ。こうした失敗例を見つけ、分類し、再学習へ戻す流れが速い企業ほど、実用化までの時間を短縮できる。
ここで重要なのは、単に大量のデータを集めることではない。どの条件で判断を誤ったのかを記録し、同じ状況を再現できる形で保存することだ。データの出どころ、センサーの状態、ソフトウェアの版、運転者の介入有無まで追跡できなければ、AIが改善したのか偶然うまくいったのかを判断できない。共同基盤は、学習装置というより「失敗を資産に変える記録網」として設計されるべきだ。
部品とソフトウェアを同時に検証することが量産の条件になる
自動運転車では、AIが正しく判断しても、制御装置の処理遅れやセンサーの取り付け誤差があれば安全な動作につながらない。ソフトウェア単体の試験結果を、車両全体の結果と同じものとして扱うことはできない。部品の応答時間、通信の途切れ、温度変化による性能差まで含めて確認する必要がある。
Astemoのような車載機器側の知見を開発の早い段階から組み込めれば、完成間近になってから「この車両では動かない」と判明するリスクを減らせる。従来は試作車を作ってから発見していた問題を、計算機上の再現試験で前倒しできる可能性もある。これは開発期間の短縮だけでなく、安全説明に必要な記録をそろえる点でも効果が大きい。
共同基盤の成否は技術より責任分担の設計で決まる
共同開発で見落とされやすいのが、データの権利と事故時の責任である。走行映像に個人を識別できる情報が含まれる場合、利用目的や保管期間を明確にしなければならない。また、AIの判断、車両制御、運行管理のどこに原因があったのかを後から確認できる仕組みも必要だ。
両社が共通の基盤を作っても、各社が独自形式のデータを囲い込めば効果は限定される。逆に、すべてを共有しようとすれば、競争上の機密や顧客情報が流出する。公開する部分、参加企業だけで共有する部分、社内にとどめる部分を分ける設計が欠かせない。技術の共通化と企業ごとの差別化をどこで線引きするかが、今後の普及を左右する。
ビジネスへの影響
企業はAI導入前に「データが戻る経路」を確認する
自動運転や運転支援に関わる企業が今回の動きから学ぶべきなのは、高価な計算機を先に導入することではない。まず、車両から何を記録し、誰が確認し、どの条件で開発へ戻すのかを決める必要がある。映像だけでなく、位置、速度、センサーの状態、運転者の介入、ソフトウェアの版をひも付けて保存できなければ、問題が起きたときに原因を追えない。
導入判断では、AIの認識率だけでなく、データの形式が既存の車両や試験装置と合うか、他社の部品を組み合わせられるか、過去の試験結果を移行できるかを確認したい。短期的には小規模な車両群で試し、危険場面の収集から再学習、再試験までの時間を測ると、投資効果を見積もりやすい。
共同基盤を選ぶ企業が先に決めるべき契約と評価指標
企業間連携では、データの利用範囲、学習したAIの所有権、退会時のデータ返却、障害発生時の対応窓口を契約で明確にする必要がある。特に、共同で作ったモデルを別の車種や地域へ展開できるのかは、将来の収益性に直結する。基盤が便利でも、用途ごとに再契約が必要なら展開速度は落ちる。
評価指標も、認識率だけでは不十分だ。危険場面の再現数、誤判断の再発率、試験から修正版の投入までの日数、実車試験の削減時間などを追うべきである。自動運転の競争では、最も賢いAIを持つ企業より、失敗を安全に発見して短期間で直せる企業が強い。今回の共同構築は、部品やソフトウェアを買う話にとどまらず、開発の進め方そのものを選び直す機会になっている。
この記事が気に入ったら
当サイトでは、自動運転技術の最新情報や業界トレンドをお届けしています。トップページでさらに詳しい情報をご覧ください。