世界自動車販売ランキング — BYDが3年で2.3倍、テスラは初の前年割れ

エンドツーエンド型制御が置き換えたもの

運転支援と自動運転の設計思想も、この3年で組み替えられた。認識、予測、計画を個別のルールで処理する構成から、センサー入力を直接ステアリングやブレーキの制御指令へ変換するエンドツーエンド型の深層学習へ移行している。

やっていること自体は単純である。カメラ映像、車体の運動センサー、目的地の3つを1本に束ねて単一のネットワークに入れ、ハンドル角とアクセル開度と制動力を直接出力させる。従来は「何が見えたか」を判定する工程、「相手がどう動くか」を予測する工程、「どう走るか」を計画する工程が別々のプログラムに分かれ、それぞれ人が書いたルールで接続されていた。その境目をすべて外したのが、この3年の変化である。

投資の観点でこの設計変更が効くのは、1台あたりの半導体搭載額が動く点にある。工程ごとに分かれていた頃は、機能ごとに小さな電子制御ユニットを増やせば済んだ。単一ネットワークで運転操作まで出す構成では、映像を毎秒30回以上処理し続ける計算能力を1個の中央演算装置に集約する必要がある。しかも車内は放熱に厳しく、電力も限られる。結果として、部品の点数は減るのに、車1台に載る計算チップの単価は上がる。

この構造が、車載半導体を手がける企業の収益に直結する。台数が伸びなくても、1台あたりの搭載額が上がれば市場は成長する。日本勢ではルネサスエレクトロニクス (6723) が車載マイコンで、ソシオネクスト (6526) が車載向けカスタムSoCでこの流れに位置する。センサー側では画像センサーを持つソニーグループ (6758) が、カメラ点数の増加を受ける側にある。逆に、機能ごとに小さな制御ユニットを供給してきた部品メーカーは、集約によって搭載点数が減る側に立つ。

ここに、あまり語られない急所がある。エンドツーエンド型は中間出力を持たないため、誤動作の原因を工程ごとに切り分けられない。従来の構成なら認識と計画のどちらが誤ったかを特定できたが、単一のネットワークではその分解ができない。事故時の説明責任と型式認証の審査において、この不可分性が実装上の制約として効いてくる。認証当局が「なぜその操作を選んだか」の説明を求める限り、完全なエンドツーエンド化には歯止めがかかり、監視用の別系統を並走させる構成が残る。この二重化のぶんだけ、計算負荷と部品コストは想定より下がりにくい。

学習と推論の数式レベルの構造は、当サイトの AI計算資源・大規模モデル 体系解説 で扱っている。

収集から再学習までの環

車両は常時ネットワークに接続された計算端末として動作する。ソフトウェア定義車両とは、機能追加や挙動変更が部品交換ではなく書き換えで完了する構成を指す。分散していた電子制御ユニットは集約され、中央演算装置を核とする構成へ移った。

走行中に運転者の介入が発生した瞬間、または認識の不確実性スコアが閾値を超えた場合、システムはその区間を特異事象として検知する。前後数秒の高解像度動画とセンサーデータが暗号化され、通信モジュール経由でデータセンターへ送られる。

クラウド側では、ペタバイト規模の未加工データに自動ラベリングを適用し、標識のない交差点や悪天候下での歩行者挙動といった難所を抽出する。抽出分は追加学習に投入され、検証を通過した更新プログラムが無線経由で全世界の車両へ配信される。出荷後に性能が変化し続ける環がここで閉じる。

この環には見落とされがちな非対称性がある。データが集まるのは販売台数の多いメーカーであり、台数の順位がそのまま学習データ量の順位になる。BYDが3年で2.3倍に伸ばした意味は、市場シェアだけでなく、走行データの蓄積速度が同じ倍率で伸びたことにある。

未知の環境で壊れないための設計

実世界に適用する際の最大の技術課題は、訓練データに過剰適合して未知の環境で誤動作する過学習の抑制である。特定の地域や気象条件だけで学習したモデルは、降雪時の路面反射や各国固有の標識に対応できず、危険な指令を出力しうる。

対策として分散学習とアンサンブル学習が併用される。分散学習では各車両の計算機が個人情報を保持したままローカルで学習し、更新パラメータのみをクラウドへ送る。統合により、プライバシーを侵さずに多様な走行環境を反映したモデルが得られる。

推論時には構造の異なる複数モデルを並列に動かし、出力を加重平均する。主モデルの指令に対して安全監視用モデルが異常と判定した場合、減速と停止に倒す論理が優先して作動する。この安全側への倒し方をどこまで保守的にするかが、乗り心地と安全性の交換比率を決め、そのまま製品の性格として利用者に伝わる。