自動運転AI、人間のクセを学ぶ新手法で『より自然な走行』を実現

『VLM』って何？ChatGPT とどう違うの？

VLM は「Vision Language Model」の略で、画像や映像を見て理解し、それについて言葉で判断できる AI のことです。ChatGPT は基本的にテキストだけを扱いますが、VLM はテキストと画像・映像の両方を処理できる。この記事の文脈では、自動運転モデルが生成した走行パターン（映像）を見せて「どちらがより自然か」と判定させるのに、この視覚的な理解が必要になるわけです。 実は ChatGPT も Vision 対応版が存在するので、その意味では「ChatGPT のような VLM」という記事の表現は正確です。ただ VLM という広い概念の中には、ChatGPT より専門的で、たとえば医療画像の解析に特化したモデルもあったりする。 興味深いのは、この研究で VLM が果たしている役割です。単に「安全か危険か」という二項判定ではなく「自然に見えるか」という人間のクセや美学を読み取っているんですよね。それって、映像を見る目を持ってるからこそできる判断なのかもしれません。

この技術が完成したら、自動運転タクシーに乗ってる時の『なんか違和感』って減るってこと？

そうですね。走行軌跡の再現だけでは拾いきれていた「なんか違和感」が、ここでは直接的な対象になっている気がします。 たとえば曲がるときの速度調整、信号待ちからの発進の間の取り方、縁石との距離感——こうした「人間が自然だと感じる細部」は、ルールに従っているだけでは説明できません。でも乗客はそれらを無意識に感じ取って、「このドライバーは上手だな」とか「なんか落ち着かない」と判断しています。 この研究の面白さは、そうした「美学」を汎用AIが判定の基準として学ばせている点です。つまり、自動運転モデルは人間ドライバーの「走り方の価値観」を間接的に学ぶことになる。実験で人間評価が12%向上したというのは、乗り心地や信頼感に関わる部分が改善されたということかもしれません。 もっとも、完全に「違和感ゼロ」になるかは別問題。人間ドライバーは状況に応じて臨機応変に判断していますから、学習済みのパターンだけでは対応しきれない場面も出てくるでしょう。ただ、いま自動運転が抱えていた「機械的な冷たさ」は確実に減っていくのではないかと考えても面白そうです。

これまで自動運転は『走行データをそのままコピーする』方法で進んできたの？なぜ途中で『人間らしさ』を重視する流れに変わったの？

自動運転の技術ロードマップ、実はシンプルから複雑へという進化の流れなんです。最初は「安全に走る」ことが全て。大量の走行データを集めて、「カーブはここで何度曲がる」「信号はどこで止まる」という軌跡を機械的にコピーさせる。これでも一定の精度は出るし、開発も分かりやすい。ただ走り続けると、人間ドライバーなら無意識にやってる細かい調整が抜けていることに気づく。例えば、カーブ手前での速度の落とし方、周囲の車や歩行者との間合いの取り方。データは記録されてても、その『判断の理由』までは拾えていないんです。同時に、自動運転が実際に街を走るようになると、乗客の快適性や周囲の人間がどう感じるかが重要になってきた。ルール通りだけど不自然な動きをする車は、むしろ信頼を失う。だから汎用ＡＩという『判断者』を間に入れて、人間が「自然」と感じる基準を言語化して学ばせる。つまり、技術的な完成度から『人間との親和性』への重視軸が、業界全体で移ってきたと言えそうです。

つまり『ルールを守ること』と『人間が心地よいと感じること』は別の問題で、AI はその両方を同時に学ぶ時代になってきたってこと？

そう言えます。でも単なる「両立」じゃなくて、実は優先順位の逆転が起きてるんだと思う。 従来の自動運転は、ルールを徹底的に守ることが安全と直結していると考えていた。信号を守る、速度制限を守る、車間距離を守る。機械らしく、完璧に。でも現実の道路は、人間ドライバーたちが作る暗黙のグリッドで動いている。急加速を避けるタイミング、カーブでの微調整、歩行者に対する「譲る」という予測的な判断。これらは交通法では説明しきれない。 人間の「自然さ」を学ぶということは、ルールの枠組みの中で、周囲の人間たちが何を期待しているのかを読むことになる。その期待を満たす動きのほうが、実は事故を減らせることが分かってきたんでしょう。誤差が減ったというのはそういう意味。 つまり、ルール + 人間の美学 = より安全で受け入れられやすい走行、という式が成り立つようになってきたということなのかもしれません。

汎用 AI が『自然な運転』を判定するなら、その汎用 AI の判定基準って、誰が決めてるの？地域や文化で『自然な走り方』って変わるんじゃないの？

良い質問。その汎用AIの判定基準は、結局のところ、AIの学習に使われたデータセット（どこの国の、どの時代の、どんなドライバーの映像か）に左右されるということになります。 たとえば、東京で学習したモデルなら、狭い道での微妙なハンドル操作を「自然」と判定するでしょうし、アメリカの広大な道路で学習したモデルなら、スムーズで大きな弧を描く走行を「自然」と見なす。その汎用AIは、自分の訓練データの中にある「多数派の走り方」を『自然』と感じるように設計されているわけです。 つまり、地域差は確実に存在する。研究者たちが気づいていないとは考えにくいので、おそらく今は「日本の走行データで学習させた汎用AIなら、日本の道路に出す自動運転にはそれで十分」という割り切り方をしているのかもしれません。 ただ長期的には、同じモデルを世界中に展開するとしたら、この「判定基準の地域化」という課題は避けられない。汎用AIが「ここは東京モード、ここはロンドンモード」と切り替えるような仕組みが必要になってくる可能性も、考えておく価値があると言えそうです。