自動運転と聞くと、「本当に安全なのか」「まだ実験段階では？」と感じる方も多いのではないでしょうか。ですが2026年現在、自動運転はもはや未来の構想ではなく、都市交通や物流、そして私たちの生活そのものを支える現実のインフラへと進化しています。

その中核にあるのが、生成AIや基盤モデルと融合したエンドツーエンドAI、そして物理世界を理解する世界モデルといった最先端の人工知能です。AIは画面の中だけで完結する存在から、クルマという実体を持ち、現実世界で判断し行動する「エンボディドAI」へと変貌しました。

本記事では、WaymoやBaiduによるロボタクシーの急拡大、ソニー・ホンダモビリティのAFEELAが提示する新しい車内体験、日本が直面する社会課題と自動運転の関係までを俯瞰します。AIに関心のある方が、技術・ビジネス・社会のつながりを立体的に理解できる内容をお届けします。

自動運転は「運転支援」から社会基盤へと変わった

かつて自動運転は、ドライバーの負担を軽減する高度な運転支援技術として語られてきました。しかし2026年現在、その位置づけは決定的に変わっています。自動運転はもはや個々の車両に閉じた機能ではなく、都市や産業、生活そのものを支える社会基盤として扱われ始めています。この変化の本質は、AIがソフトウェアの存在にとどまらず、物理的な移動体として社会に組み込まれた点にあります。

この転換を象徴する概念が、エンボディドAIです。自動運転車は、環境を認識し、判断し、行動するAIが道路という公共空間で常時稼働する存在です。日本ディープラーニング協会の松尾豊理事長が指摘するように、AIは2026年を境に実験的技術から社会の基盤へと移行しました。自動運転はその中でも、最も分かりやすく、かつ影響範囲の大きい実装例といえます。

**自動運転は「便利な機能」ではなく、交通の安全性・持続性・公平性を担保する公共インフラとして再定義されています。**

実際、北米や中国では無人ロボタクシーが都市交通の一部として機能し始めています。Alphabet傘下のWaymoは、2026年時点で週間25万回以上の有料乗車を提供し、累計1,000万回を超える実績を積み上げました。これは特定の技術デモではなく、住民の日常的な移動手段として受け入れられていることを意味します。中国でもBaiduのApollo Goが主要都市で完全無人運行を実現し、公共交通を補完する役割を担っています。

この段階に至って初めて、自動運転は都市インフラとして評価されるようになります。交通事故削減、ドライバー不足への対応、移動弱者の救済といった社会課題に対し、単なる支援技術ではなく構造的な解決策として組み込まれるからです。Waymoが公開したデータでは、人間の運転と比較して負傷事故を80％削減しており、公衆衛生の観点からもインフラ投資としての合理性が示されています。

観点 従来の自動運転 2026年以降の自動運転
位置づけ 運転支援・付加価値 都市・交通の社会基盤
主な役割 ドライバー補助 無人移動サービスの提供
評価軸 技術性能 安全性・公共性・継続性

日本でも同様の兆しが見え始めています。国土交通省の自動運転ワーキンググループが示す制度設計では、レベル4自動運転を前提とした運行管理や責任整理が進められ、自治体交通の再構築を支える前提条件が整いつつあります。自動運転は「誰が運転するか」という問いから、「社会としてどう移動を維持するか」という問いへと議論の軸を移しました。

このように、自動運転は技術進化の延長線ではなく、社会システムの再設計そのものです。ハンドル操作をAIに任せること以上に重要なのは、移動が止まらない社会をどう構築するかという視点であり、その答えとして自動運転が社会基盤へと昇華したことこそ、2026年の決定的な変化だといえます。

エンボディドAIとは何か、なぜ自動運転が象徴なのか

エンボディドAIとは何か、なぜ自動運転が象徴なのか のイメージ

エンボディドAIとは、AIがソフトウェアとして情報空間に存在するだけでなく、センサーやアクチュエーターを通じて物理世界に直接作用する知能を指します。画像や文章を生成する生成AIが「考えるAI」だとすれば、エンボディドAIは「動くAI」です。現実世界の不確実性、時間の制約、物理法則と常に向き合いながら判断し続ける点に、本質的な難しさと価値があります。

このエンボディドAIを最も分かりやすく体現している存在が自動運転です。自動運転車は、カメラやLiDAR、レーダーといった複数のセンサーで環境を認識し、刻々と変化する道路状況の中で意思決定し、車両という巨大な物体を制御します。これは仮想空間内で完結するAIとは異なり、一つの判断ミスが即座に人命や社会的責任に直結する、極めて高い信頼性が求められる領域です。

スタンフォード大学やMITのロボティクス研究でも指摘されているように、エンボディドAIの核心は「知覚・判断・行動」が分断されていない点にあります。自動運転ではこの思想がエンドツーエンドAIとして具体化され、センサー入力から操作出力までを一貫して学習させることで、人間がルール化できなかった運転の暗黙知を獲得しつつあります。

観点 従来のAI エンボディドAI（自動運転）
存在空間 デジタル空間 物理世界
失敗の影響 限定的 人命・社会インフラに直結
学習対象 データの意味 環境との相互作用

なぜ数あるロボット技術の中で、自動運転が象徴的なのか。その理由はスケールにあります。道路は世界共通の巨大な実験場であり、都市、気候、文化の違いがそのまま学習環境になります。WaymoやBaiduが数千万回規模の実走行データを蓄積できているのは、自動運転が社会インフラと結びついているからです。このスケールが、エンボディドAIを研究段階から社会実装へ押し上げました。

さらに自動運転は、人とAIが同じ空間を共有する最前線でもあります。歩行者の予測不能な行動、暗黙の譲り合い、地域ごとの交通文化といった要素を理解しなければ成立しません。これはAIが単に賢いだけでなく、社会的存在として振る舞えるかどうかが問われていることを意味します。

このように自動運転は、エンボディドAIが直面する技術的・倫理的・社会的課題をすべて内包しています。だからこそ、自動運転は単なる応用分野ではなく、エンボディドAI時代の到来を示す最も分かりやすい象徴として位置づけられているのです。

エンドツーエンドAIがもたらす判断能力の飛躍

エンドツーエンドAIがもたらした最大の変化は、単なる処理速度の向上ではなく、「判断そのものの質」が飛躍的に高まった点にあります。従来の自動運転AIは、人間が分解した認知・予測・計画という工程を個別に処理していましたが、この構造自体が判断の遅延や情報欠落を生みやすい弱点を抱えていました。

2026年時点で主流となりつつあるエンドツーエンドAIは、カメラやLiDARなどの生データから直接操作指令を出力します。この一貫構造により、AIは人間が言語化できない運転の勘や暗黙知を内部表現として獲得し、複雑な交通環境でも直感的かつ滑らかな判断を行えるようになっています。

特に交差点や合流、歩行者の予測不能な動きといったエッジケースにおいて、その差は顕著です。ティアフォーがCES 2026で公開したレベル4+向けE2E AIでは、複数の要因が同時発生する状況でも、人間の熟練ドライバーに近い減速判断や進路選択が確認されています。

観点 従来型AI エンドツーエンドAI
判断構造 工程分割型 一貫学習型
例外対応 事前定義に依存 経験から推論
判断の滑らかさ 不連続になりやすい 人間に近い連続性

この判断能力の進化を支えているのが、大規模データと生成AIの融合です。NEDOのGENIACプロジェクトなどで採用されている手法では、事故直前や極端な天候といった再現困難なシーンを仮想生成し、AIに集中的に学習させています。これにより、現実では数年に一度しか起きない事象に対しても、瞬時に妥当な判断を下せるようになっています。

さらに注目すべきは、エンドツーエンドAIが単なる反射的判断ではなく、状況全体の文脈を踏まえた意思決定を行う点です。ヒョンデ傘下モーショナルの大規模走行モデルが示すように、都市ごとの文化差や暗黙ルールを超えて「運転の本質」を学習することで、未知の環境でも破綻しにくい判断が可能になります。

日本ディープラーニング協会の松尾豊理事長が指摘するように、AIは2026年に社会基盤として評価される段階に入りました。エンドツーエンドAIはその象徴であり、単なる自動化技術ではなく、人間の判断能力を構造的に拡張する存在として、自動運転の信頼性を根底から書き換えつつあります。

世界モデルが切り拓くレベル5自動運転への道

世界モデルが切り拓くレベル5自動運転への道 のイメージ

レベル5自動運転を実現するうえで最大の壁は、あらかじめ想定されていない状況、いわゆる未知の環境にどう対応するかという点です。信号のない交差点での曖昧な譲り合い、工事による突発的な車線変更、雪や霧でセンサー情報が欠落する場面など、人間は経験と直感で乗り越えていますが、従来の自動運転AIには極めて困難でした。

この課題に正面から挑むのが世界モデルです。世界モデルとは、AIが現実世界の物理法則や因果関係を内部に持ち、行動の結果を事前にシミュレーションできる仕組みを指します。**「この操作をしたら次に何が起こるか」を頭の中で試す能力**をAIに与えることで、単なる反射的な制御から一段階上の判断が可能になります。

観点 従来型AI 世界モデル型AI
判断の仕組み 過去データへの反応 未来状態の予測と比較
未知環境対応 弱い 物理法則に基づき対応可能
人間らしさ 限定的 状況理解に近い

スタートアップのチューリングは、この世界モデルを中核に据え、生成AIと基盤モデルを組み合わせることでレベル5を目指しています。同社のアプローチでは、実世界をそのまま記憶するのではなく、「なぜそう動くのか」という構造を学習させる点が特徴です。物体の重さや摩擦、他車の意図といった抽象的な要素まで含めて理解することで、初めて走る道路でも合理的な判断ができるとされています。

この考え方は、強化学習や認知科学の文脈でも注目されており、米国の研究機関や大学でも「予測するAI」が次世代知能の鍵になると指摘されています。日本ディープラーニング協会の松尾豊理事長も、AIが社会基盤へ移行する過程で、世界モデルのような内部表現の重要性が高まると述べています。

重要なのは、世界モデルが万能ではない点です。膨大な計算資源や高品質な学習データが不可欠であり、安全性検証の方法論も確立途上にあります。それでも、**人間と同じように「考えてから動く」能力をAIに与える唯一の道筋**として、世界モデルはレベル5自動運転への本命技術と位置づけられています。

4Dイメージングレーダーとセンサーフュージョンの進化

自動運転の実用化を根底から支えているのが、4Dイメージングレーダーとセンサーフュージョンの急速な進化です。従来のレーダーは距離と速度の把握に特化していましたが、近年主流となりつつある4Dイメージングレーダーは、方位角と高度情報を加えることで、空間を立体的に捉えられるようになりました。1度未満の高い角度分解能と300メートル超の検知距離を両立し、夜間や逆光、悪天候といった人間でも判断が難しい状況でこそ真価を発揮します。

NXPなどの半導体大手の技術解説によれば、4Dイメージングレーダーは雨や霧、雪による影響を受けにくく、レーザー光が散乱しやすいLiDARの弱点を補完できるとされています。さらに注目すべきはコスト構造で、量産効果によりLiDARの約10分の1まで低減できる可能性が示されており、自動運転を一部の高級車から社会インフラへ広げる現実解として期待が高まっています。

センサー種別 得意な環境 主な制約
4Dイメージングレーダー 悪天候・夜間・長距離検知 形状認識は学習依存
LiDAR 高精細な3D形状把握 雨霧雪で精度低下
カメラ 信号・標識・色の識別 照明条件に弱い

こうした個別センサーの特性を統合するのが、センサーフュージョンの深化です。モーショナルが提唱する大規模走行モデルでは、カメラ、LiDAR、レーダーの生データを同時に処理し、単一センサーでは見落としがちなリスクを相互補完的に低減しています。夜間に黒色の障害物をレーダーで検知し、形状をLiDARで補強するといった統合判断が、リアルタイムで行われています。

特に2026年以降、量産車への4Dイメージングレーダー搭載が本格化したことで、センサーフュージョンは研究段階から運用段階へ移行しました。寒冷地やゲリラ豪雨といった極端環境でも安定した認知が可能となり、自動運転の信頼性を統計的に積み上げる土台が整いつつあります。センサーの進化は単なる性能向上ではなく、社会が自動運転を受け入れるための前提条件そのものを塗り替えているのです。

Waymoと中国勢に見るロボタクシー市場の現実

ロボタクシー市場の現実を最も端的に示しているのが、米国のWaymoと中国勢の対照的な成長曲線です。両者は同じ「完全無人運転」を掲げながら、技術戦略、事業モデル、社会実装のスピードにおいて明確な違いを見せています。

Alphabet傘下のWaymoは、2026年時点で週間25万回以上の有料乗車を提供し、累計1,000万回を超える実績を積み上げています。サンフランシスコでは有料配車市場でLyftを上回ったと報じられ、ロボタクシーが実験ではなく既存モビリティと競合する事業に到達したことを示しました。

特に象徴的なのが寒冷地への進出です。ミネアポリスやデトロイトといった積雪都市は、白線消失やセンサー遮蔽といった難題が重なります。Waymoはミシガン州での長期冬季テストを通じ、全天候対応を「最後の壁」と位置付け、技術成熟度を事業拡大の前提条件としてきました。

項目 Waymo 中国勢（Baidu・Pony.ai）
累計乗車数 1,000万回超 Baidu単独で1,400万回超
主な展開地域 米国主要都市・寒冷地 中国大都市＋中東・欧州
強み 安全実績と規制対応 低コストと迅速な展開

一方、中国勢の成長は量と速度で際立っています。BaiduのApollo Goは武漢や重慶などで完全無人運転を日常化させ、2025年末時点で累計1,400万回の乗車を記録しました。中国政府の大胆な規制緩和と、都市単位での大規模導入がデータ収集と改善の高速ループを可能にしています。

Pony.aiも空港や都市幹線から段階的に展開し、BYDなど国内EVメーカーとの連携で車両コストを抑えています。結果として、中国勢は運賃を引き下げやすく、ロボタクシーの価格破壊役として国際市場に影響を及ぼし始めました。

米国メディアやMIT Technology Reviewが指摘するように、Waymoは「安全と信頼の積み上げ」、中国勢は「規模と速度の最大化」という異なる合理性で動いています。どちらが最終的な勝者になるかではなく、都市の条件によって最適解が分かれるという点こそが、2026年時点のロボタクシー市場の現実です。

TeslaとZooxが描く異なる自動運転戦略

同じ自動運転というゴールを目指しながらも、TeslaとZooxは出発点から設計思想まで、極めて対照的な戦略を採っています。両社の違いは、技術論というより「どの産業モデルで社会に浸透させるか」という思想の差に集約できます。

Teslaは既存の量産車を基盤に、ソフトウェア更新で自動運転性能を進化させるアプローチです。Model Yなど一般ユーザーが購入する車両にFSDを搭載し、走行データをフリート全体から収集します。イーロン・マスク氏が繰り返し強調するように、カメラ中心の構成によってハードウェアコストを抑え、規模の力で学習を加速させる戦略です。

実際、Teslaは2025年にテキサス州オースティンでロボタクシーの限定試験を開始し、2026年には監視員なしの走行テストも進めています。ただしFSDは現時点でレベル2+からレベル3相当と位置づけられ、人が関与する前提を残したまま、段階的に自動化を押し広げる慎重さも併せ持っています。

項目 Tesla Zoox
車両設計 既存量産車を流用 自動運転専用に新規設計
主要センサー カメラ中心 LiDAR・レーダー・カメラ併用
ビジネスモデル 個人所有＋将来の共有 ロボタクシー専業

一方のZooxは、Amazon傘下らしく最初から「都市サービス」としての完成度を重視します。ステアリングホイールもペダルも持たない左右対称の車両をゼロから設計し、ラスベガスやサンフランシスコで試験運用を展開しています。米国の交通安全当局やAmazonの物流・クラウド技術と連携し、限定エリアでレベル4の安全性を最優先に証明する王道型と言えます。

専門誌MIT Technology Reviewなどが指摘するように、Zooxの強みはセンサーフュージョンと冗長設計による予測可能性の高さです。人間の運転を模倣するTeslaに対し、Zooxは「人間とは異なるが一貫性のある運転」を志向しており、都市交通インフラとの親和性を重視しています。

つまりTeslaは世界中の道路を学習場に変える水平展開型、Zooxは特定都市で完成度を極める垂直統合型です。どちらが勝つかではなく、どちらがどの社会課題に最適化されるかが、2026年以降の自動運転競争を読み解く鍵になります。

AFEELAが示す『走るコンピューター』という価値

AFEELAが掲げる「走るコンピューター」という価値は、車をハードウェア中心の工業製品から、ソフトウェアによって進化し続ける計算プラットフォームへと再定義する発想にあります。ソニー・ホンダモビリティが示したのは、エンジン性能や航続距離ではなく、**車両そのものを巨大なコンピューティングデバイスとして捉える視点**です。

この思想の中核にあるのが、Software Defined Vehicleという概念です。AFEELAでは走行制御、エンターテインメント、センシング、ユーザーインターフェースまでがソフトウェアで統合され、OTAによる継続的なアップデートを前提に設計されています。これはスマートフォンが購入後もOS更新で価値を高めてきた構造と酷似しており、車が「完成品」ではなく「成長するプロダクト」になることを意味します。

実際、CES 2026で公開されたAFEELA Prototype 2026では、複数の高性能SoCが車内外のデータを常時処理し、カメラや各種センサーから得られる情報をリアルタイムで統合する構成が明らかになりました。半導体業界の調査によれば、車載インフォテインメント向けSoC市場は2035年まで年平均5％以上で成長するとされており、**計算資源こそが次世代車両の競争力の源泉**になりつつあります。

観点 従来の自動車 AFEELA
価値の中心 機械性能 計算能力とソフトウェア
進化の方法 モデルチェンジ OTAアップデート
開発主体 メーカー単独 外部開発者を含むエコシステム

特に注目すべきは、AFEELAが外部開発者向けプラットフォームを本格的に想定している点です。ソニーが培ってきたコンテンツとソフトウェアの知見を背景に、車内で動作するアプリやサービスが拡張されていく構造は、PCやスマートフォンのエコシステムに近いものです。これにより、移動中の体験はメーカーが一方的に提供するものではなく、ユーザーの選択によって多様化していきます。

この「走るコンピューター」という思想は、自動運転技術とも親和性が高い設計です。エンドツーエンドAIやマルチモーダル処理を支える計算基盤が車内に常設されているからこそ、将来的な機能追加や性能向上が現実的になります。日本ディープラーニング協会の松尾豊氏が指摘するように、AIが社会インフラ化する時代において、**AFEELAはモビリティをAIの実体として社会に埋め込む試み**だと捉えることができます。

つまりAFEELAが示す価値は、移動手段の刷新ではありません。計算し、学習し、更新され続ける存在としての車を世に問うことで、モビリティとデジタルの境界を消し去ろうとしている点にこそ、本質的な革新があります。

日本の自動運転が物流・地域交通を救う理由

日本において自動運転が強く期待される理由は、技術先進性そのものよりも、**物流と地域交通という二つの社会インフラが同時に限界を迎えている現実**にあります。特に2024年・2026年問題として顕在化したトラックドライバー不足は、国土交通省の有識者会合でも「現行の人手依存モデルでは幹線物流が維持できない」と指摘されています。

この課題に対し、自動運転トラックは人の代替ではなく、**人の稼働を最も不足している領域に再配分する装置**として機能します。新東名高速道路で進む自動運転セミトレーラーの実証では、長距離・夜間・単調走行をAIが担い、ドライバーは積み下ろしや都市部走行に集中できる構造が検証されています。経済産業省によれば、この分業モデルにより輸送効率が大幅に改善する可能性が示されています。

課題領域 従来モデルの限界 自動運転導入後の変化
幹線物流 長時間労働・人手不足 無人・準無人で24時間稼働
地域配送 担い手高齢化 人が付加価値業務に集中

一方、地方の地域交通では、人口減少と高齢化により路線バスやタクシーの維持が困難になっています。デジタル庁のモビリティ・ロードマップでも、**「運転手を確保する交通」から「運行を設計する交通」への転換**が必要だと明言されています。愛媛県松山市で始まったレベル4路線バスは、その象徴的な事例です。

ここで重要なのは、自動運転が単独で走るのではなく、**自治体・交通事業者・IT企業が一体となった運行設計**が前提となっている点です。国が推進する「交通商社機能」は、車両導入からダイヤ設計、収益管理までを統合し、赤字前提だった地域交通を持続可能なサービスへと変えつつあります。

**自動運転は、日本の物流と地域交通を「人手不足から解放する技術」ではなく、「限られた人手を最適配置する社会システム」へと進化させています。**

日本は世界に先駆けて人口減少社会に突入しています。だからこそ、自動運転の社会実装は未来の実験ではなく、**現在進行形のインフラ再設計**なのです。この切実さこそが、日本の自動運転が物流と地域交通を救う最大の理由だと言えるでしょう。

安全性データと法制度が支える社会的受容

自動運転が社会に受け入れられるかどうかを左右する最大の要因は、技術の高度さではなく、安全性がどれほど客観的なデータで示され、法制度として担保されているかです。2026年現在、この点において自動運転は大きな転換点を迎えています。

象徴的なのが、Alphabet傘下のWaymoが継続的に公開している走行実績データです。同社によれば、自動運転車は人間の運転と比較して、負傷事故を約80％、重傷事故を約91％、歩行者事故を約92％削減しています。米国運輸安全の専門家の間では、これらの数値は単なる企業発表ではなく、都市部での累積走行データに基づく統計として評価されており、公衆衛生の観点からも重要な意味を持つと指摘されています。

人間の運転が感情や疲労、判断ミスに左右される一方で、AIは同じ条件下では常に同じ判断を下します。この再現性こそが、統計的安全性を積み上げられる理由であり、「事故ゼロ」ではなく「事故確率をどこまで下げられるか」という現実的な議論へ社会を導いています。

比較項目 人間の運転 自動運転（実績ベース）
負傷事故率 基準値 約80％低減
重傷事故率 基準値 約91％低減
歩行者事故率 基準値 約92％低減

こうしたデータの蓄積と並行して、日本では法制度の整備が急速に進みました。国土交通省の自動運転ワーキンググループによる整理では、レベル4自動運転における事故時の責任は、迅速な被害者救済を最優先に「運行供用者責任」を基本とする枠組みが維持されています。これは、システムに欠陥が疑われる場合でも、まずは所有者や運送事業者が補償し、その後にメーカーへ求償する仕組みです。

この設計は、被害者が複雑な技術的因果関係を立証しなくても救済される点で、従来の自動車事故と同等の安心感を提供します。さらに、ドイツの自動運転法制などを参考に、第三者による事故原因調査機関の構築も議論されており、「誰が悪いか」を感情論で決めないための制度的土台が整いつつあります。

重要なのは、これらの安全性データと法制度が、技術者や行政のためだけでなく、市民の心理的ハードルを下げる役割を果たしている点です。少数の事故が強く報道される一方で、日常的に回避されている無数の事故が可視化されにくいという課題は残ります。しかし、透明性の高いデータ公開と責任の所在が明確な制度設計が進むことで、自動運転は「得体の知れないAI」から「管理された社会インフラ」へと認識を変え始めています。

社会的受容とは、感情ではなく、理解と納得の積み重ねです。安全性データと法制度は、そのための共通言語として、今や自動運転普及の中核を担っています。

2035年を見据えた自動運転とAI市場の展望

2035年を見据えた自動運転とAI市場は、単なる技術進化ではなく、産業構造そのものを再編するフェーズに入ると考えられています。2026年時点ですでにロボタクシーや自動運転物流は社会実装段階にあり、今後10年でその主戦場は「どれだけ走れるか」から「どれだけ経済価値を生み出せるか」へと明確にシフトしていきます。

市場規模の観点では、SDKI Analyticsによる調査で自動運転車向けセンサー市場が2035年に1,084億ドル規模へ拡大すると予測されています。これは車両台数の増加だけでなく、4Dイメージングレーダーや高精度LiDAR、車内センシングといった多層的な需要拡大を反映した数字です。AIは車外の認知だけでなく、乗員の行動理解や健康管理など、車内空間にも深く入り込んでいきます。

特に注目すべきは、エンドツーエンドAIや世界モデルを基盤とする「汎用運転知能」が、2030年代前半にかけて事実上の業界標準になる点です。松尾豊氏が指摘するように、AIが社会基盤として評価される段階に入った現在、2035年には運転アルゴリズムそのものがクラウド側で進化し続ける公共インフラとして扱われる可能性が高まっています。

領域 2035年の姿 市場インパクト
都市交通 ロボタクシーが公共交通の中核 移動の従量課金化、所有モデルの縮小
物流 幹線輸送の自動運転が常態化 人手不足解消と輸送コスト低下
車内AI エンタメ・業務・健康の統合空間 SoC・ソフト市場の継続成長

Research Nesterによれば、車載インフォテインメント向けSoC市場も2035年まで年平均5％超で成長するとされており、自動運転は「走るAIデバイス市場」を拡張する存在になります。ソニー・ホンダモビリティのAFEELAが示すように、車両はハードではなくアップデートされ続けるサービスの器として評価されるようになります。

また、日本政府が掲げる2035年の電動車100％目標と自動運転は強く結びついています。自動運転AIはエネルギー消費を最適化できるため、EVとの相乗効果が高く、都市部では電動・自動運転モビリティが標準的な移動手段になると予想されます。2035年の自動運転市場は、AIの性能競争を超え、社会全体の生産性を底上げする基盤ビジネスへと成熟しているはずです。

参考文献