自動運転AI、「言葉の理解」と「位置情報」を分ける

「精密な制御命令が苦手」って、具体的には何ができてなくて何ができるの？

言語モデルが得意なのは「判断」で、苦手なのは「量」なんですよね。 たとえば「前の車に衝突しそうだ、ブレーキを踏め」という判定は得意です。でも「では、いま時速60キロで、相手は時速50キロで、距離は15メートル。重力加速度9.8メートル毎秒の何倍の力で踏む？」という計算になると、言葉の粒度では答えられない。言語モデルは「安全」「危険」といったカテゴリで学習されているから、その間の無数の段階値を滑らかに出力することが構造的に難しいんです。 実際には「0.7G」という数字は、物理的には正確な量。でも言語的には、その数字の背景にある連続的な世界が見えていない。記事の指摘は、この言葉の「とぎれとぎれさ」と、運動の「滑らかさ」のズレを言っているのかもしれません。 だから新しい方式では、視覚情報から直接「距離は15メートル、角度は2.3度」といった量を抽出して保持させ、言語モデルは「衝突回避優先」といった判断だけに専念させる。両者の役割を分けることで、それぞれの得意な側面が活かされるということなのだと言えそうです。

自動運転がこの新方式を採用したら、今の自動運転車より安全になるってことは、自分たちが乗ってる車もより信頼できるようになるってこと？

実験結果の「98.4%」と現実のロードテストは別の世界なんですよね。衝突回避率が高いのは事実ですが、それが「あなたの乗った車が事故を起こさない確率」に直結するわけではない。研究室の環境は予測可能な状況設定されていますが、実際の道路には想定外がいくらでも出てくるから。雨の日のセンサー誤差、混雑した交差点での複合判断、路上工事のような急な環境変化。新方式がこれらでも同じ精度を保つかは、走ってみるまで分からない。むしろ重要なのは、この考え方自体が「自動運転の未来の方向性を示してる」という部分。言葉と位置情報を分ける発想は、設計思想としてレベルが上がってるのは確かです。だから採用が広がれば、中長期的には信頼性は上がっていくと言えそう。ただし「今の実験がそのまま製品化される」という段階には、まだ距離がある状態なのかもしれません。

これまで『言葉と動きを1つのモデルに詰め込む』方法で研究が進んでたのは、何か理由があったの？

「全部一緒に学ばせたら賢くなるんじゃないか」という直感は、深層学習の初期段階では実際に機能していたんですよね。画像認識にしても機械翻訳にしても、異なる情報源を一つの大きなモデルに放り込むと、想像以上に統合的な理解が生まれた。その成功体験が強かった。 加えて、当時のコンピュータには計算リソースも限られていたので「なるべくシンプルなモデル」で全てをやろう、という現実的な制約もあったはずです。複数の経路を別々に用意するより、一つの大型モデルを走らせる方が、エンジニアリング的には扱いやすい。 ただ言葉と動きは違う種類の問題だった、というのが今回の気づき。言語は「これは障害物」という離散的なカテゴリー判定が得意、でも視覚の距離感は「滑らかな連続量」として保持しないと、細かいズレが蓄積して危なくなる。二者を混ぜるほど、後者が前者に吸収されてしまっていたのかもしれません。分けるという決断まで、誰もが「統合が強い」という信仰を手放せなかったんでしょう。

『高度な判断は得意だけど細かい制御は苦手』って、人間が言語学習と運動神経を別々に発達させるのと同じ仕組みなの？

面白い類比なんですが、実は違う次元の問題のようです。 人間が言語と運動を別々に発達させるのは、脳の物理的な領域が異なるからで、それぞれが独立して進化した側面があります。言語野はブローカ野やウェルニッケ野に、運動制御は小脳や運動野にあるという具合に。 ただ、自動運転AIの問題はそれとは違うんですよ。むしろ「統合しすぎた結果の弊害」なんです。言葉と画像の情報を1つのニューラルネットワークに詰め込むと、距離感や角度といった「量的」な細部が、高度な判断を優先する過程で無視されてしまう。言葉という離散的な概念と、滑らかな物理的動きとの間にズレが生じるわけです。 新手法が人間の脳に似てるのは「分ける」という戦略だけで、分ける理由は全然違う。人間は進化の過程で領域が分かれたのに対して、AIは計算効率や情報の粒度を揃えるために意図的に分ける。つまり、似た構造に見えても、成り立つ背景は真逆なのかもしれません。

衝突回避率が上がるのはいいけど、『最後の直前で合わせる』ってそこで矛盾が生じたらどうするのかな？

言語と視覚が最後に「ぶつかる」場面は、実際にあり得るんですよね。たとえば、言語モデルが「安全に通過できる」と判定しているのに、視覚側が「実は距離が足りない」と警告するような場合です。 その時の設計次第で、安全性は大きく変わってくるはずです。新しい手法の論文には明確に書かれていないですが、一般的には「視覚側を優先する」というルールが入ることが多い。つまり、位置情報という物理的な現実を、言語的な判断よりも上位に置く。脳の仕組みに照らしても、「危ないかも」という感覚が直感的に出てくるのを、理性で無視することは難しいのと近い。 ただ、これが本当に矛盾解消なのか、それとも「都合よく切り替えてるだけ」なのか、まだ判然としない部分もあります。衝突回避率 98.4% というのは確かに高いですが、残りの 1.6% がどういう失敗をしているのか。両者が対立して、どちらを選んでも危ない状況が起きうるのか。そこまで開示されていないと、本当の強みは測り切れないのかもしれません。