自動運転技術を手掛けるWaymoは2026年8月25日(現地時間)、2億マイルを超える実走行経験から得られた10のAI開発に関する教訓を発表した。この経験に基づき、Waymo Driverの安全性データが、同社がサービスを提供する都市の道路をより安全にしていることを示した。特にマルチモーダルセンサーの不可欠性や高精度（HD）マップの重要性を強調している。
Waymoが発表したAI教訓の第一の柱は、カメラ単独では完全な自動運転を実現できないため、カメラ、ライダー（LiDAR）、レーダーを組み合わせたマルチモーダルセンサーの採用が不可欠であるという点だ。各センサーは冗長性を提供するだけでなく、ライダーによるミリメートル単位の3D幾何学情報、カメラによる標識や信号の色認識といったセマンティック情報、そしてレーダーによる悪天候下での速度追跡といった補完的な強みを持つ。
二つ目は、高精度（HD）マップが強力な「事前情報」として機能し、検証プロセスを加速させることの重要性。HDマップは、センサーのようにインプットとして扱われ、低視程や複雑な道路状況において、オンボードコンピューターがリアルタイム処理能力を動的または新たな要素に集中させることを可能にする。Waymoのシステムは、AI駆動のマッピングシステムにより、これらのマップを継続的に更新しているという。
三つ目には、少ない数の大規模なモデルが優れていると指摘した。初期の自動運転開発では専門化されたモジュールに依存していたが、大規模化すると保守が困難になるため、少数の高性能なファウンデーションモデルに統合することで、膨大なデータセットと大規模計算の力を活用し、大規模言語モデル（LLM）で進歩を推進したスケーリング法則から恩恵を受けている。
しかし、ブラックボックス化したAIでは信頼を構築できないとして、純粋なエンドツーエンド（E2E）ニューラルアーキテクチャの課題を指摘する。Waymoのシステムは、センサーからの情報を運転意思決定に変換する一方で、提案されたすべての軌道を監視する独立したオンボード検証レイヤーを追加している。これは、物理ベースの制約や交通法規に対する計画をチェックし、制限に違反する経路や衝突のリスクがある場合にはハードな阻止として機能する。
さらに、クローズドループシミュレーションがより多くのエッジケースを明らかにするとしており、攻撃的な車線変更のような稀なシナリオを安全に処理するAIの訓練には、現実世界に近い原因と結果を模倣する大規模なクローズドループシミュレーションが不可欠であると説明した。これにより、稀なイベントでも道路で遭遇する前に発見し、テストすることが可能になる。また、優れた運転手には優れた批評家が必要であるとし、AI批評家（Waymo Critic）を構築してシミュレーションと実走行の両方で望ましくない運転行動を分析・検出している。これにより、毎週数百万マイルの実走行データと数百億マイルのシミュレーションデータを自動的にフィードバックし、人間のエンジニアが最も複雑なエッジケースに集中できるようにしているという。
ビジョン言語モデル（VLM）はシーン認識を向上させるとし、WaymoはGeminiで訓練されたVLMを複雑なチェーン・オブ・ソート推論の重要なパートナーと位置付ける。VLMは高レベルのセマンティックな「ヒント」を提供するが、リアルタイム制御には遅く、単独では十分な空間認識が不足しているため、「思考の速い・遅い」アーキテクチャを採用している。これにより、迅速な直感的処理とセンサーフュージョンを組み合わせたリアルタイム制御と、VLMを活用した深い熟慮的推論の両立を図っている。
Waymoは、AIはそれを評価するガバナンスがなければ効果を発揮しないという包括的なアプローチを示す。自動運転システムの真の拡張性（スケーラビリティ）は、運転、シミュレーション、評価が、その準備状況を決定する安全性ガバナンスとともに作成される場合にのみ可能であると強調している。
参考: Waymo Blog — 2026年8月26日 09:00 (JST)
原文ハイライト"Vision Language Models improve scene reasoning Driving requires complex, chain-of-thought reasoning."