AI ：期待、現実、そして今後の展望

本日の「The Garage 」では、AWSのデータおよびAI 担当のグローバル・ソリューション・アーキテクチャ・リーダーであるニール・ミトラ氏をゲストにお迎えします。

今日の人工知能に関するマスタークラスでは、まずAI の起源から始めます。従来のAI とは何だったのでしょうか？大規模言語モデルとは何でしょうか？エージェント型AI とは何でしょうか？

そして、自動車業界について話し合います。

AI は、現在の自動車業界においてどのような役割を果たしているのでしょうか？また、AI と自動車業界を組み合わせることで、将来どのような斬新で素晴らしい可能性が生まれるのでしょうか？今日の対談は、きっとお楽しみいただけるはずです。

さあ、行こう。

The Garage へようこそ。私は、Sonatus の最高マーケティング責任者（CMO）であるジョン・ハインラインです。本日は、AWSのニール・ミトラ氏をお迎えしています。ニールさん、the garage へようこそ。

ありがとうございます。

ニール、私たちはここ数年、一緒に仕事をしてきました。本当にワクワクする話ですが、ついにあなたを私たちのところへお招きし、一緒にエピソードを収録することができました。まずは、あなた自身のことやこれまでの経歴について教えてください。

ええ。お招きいただきありがとうございます。光栄です。これまで数多くのプロジェクトに取り組んできましたが、ついにこの日を迎えました。私はインドで育ち、この業界で21年間働いてきました。その前は、インドで工学の修士号を取得し、数年間コンサルティング会社で働いた後、米国に渡りました。

そして、ご存知の通り、それ以来、私はフィンテックやヘルスケア分野のフォーチュン500企業を数多く顧客として担当してきましたが、

2016年にAmazon Web Servicesに入社するまで、自分が自動車業界に携わることになるとは思いもしませんでした。

あの頃はね、クラウドってまだすごく新しい技術だったんだ。顧客のところへ出向くと、よくこう言われるのを覚えているよ。「おい、君たち、本は売ってるんだろ？ ここで何してるんだ？」ってね。

そこで、まずエンタープライズ分野での当社の取り組みについて説明し、続いてインフラ分野での取り組みについて話します。当時、当社はインフラ分野に非常に力を入れていました。

ご存知の通り、AWSはクラウドコンピューティングの先駆者であり、今でもインフラ分野のトップランナーであり続けていると思います。 そう、あれからもう9年が経ちましたね。本当に、時間が経つのは早いものです。AWSでは、「毎日が『初日』だ」とよく言っています。改めて、お招きいただきありがとうございます。また、自動車分野での取り組みについて、皆様から多くのことを学べたことも大変有意義でした。この点については、後ほど詳しく掘り下げていきたいと思います。

本当にありがとうございます。当番組では、いつもゲストの方に関する「ちょっとした豆知識」から始めるのが恒例となっています。ぜひ、あなた自身の「ちょっとした豆知識」を教えてください。

それは困った状況ですね。わかりました。

そうなんです、私の人生では、理由もなく起こったようなことがたくさんあるんです。例えば、AWSに入社して自動車関連のプロジェクトに携わったことだってそうです。なぜそうなったのか自分でもよくわからないんですが、結果的にすごく楽しかったんですよ。

ヨガが私の人生にやって来たのも、同じような経緯でした。なぜ、どうやってそうなったのかは自分でもよくわからないんです。だって、インドで育ったのに、ヨガなんて聞いたこともなかったんですから。でもね、ある時期、旅行ばかりしていて、忙しすぎて、何かが私を全体としてケアしてくれるものが必要だと感じたんです。身体だけでなく、精神やエネルギー、あらゆる面においてね。 それで、あるヨガのクラスを試してみたら気に入って、その後は時々通ったりやめたりを繰り返していました。

そのことを、おそらく8年か9年ほど続けていました。ところが昨年、またしても突然――どれほど突拍子もないことかは分かりませんが――趣味としてヨガのインストラクターになりたいと思ったんです。そして、OEMsの認定コースを受講し始めました。

それは怖いですね。妻も「なんでそんなことしたの？」って聞いてきます。でも、そうですね、面白いエピソードですね。たぶんこの1年の間に、200時間のヨガインストラクター資格を取得しました。

今は修士課程に通っていて、あと300時間の履修が必要です。

そう考えると楽しそうだし、たぶん、ヨガのインストラクターになるのが私の退職後の計画になりそう。

素晴らしいですね。ところで、どんなスタイルのヨガですか？

ヴィンヤサ。

最高だ。

私の「面白いエピソード」ですが、ゲストのためにいつも何か面白いエピソードを考えようとしています。私の「面白いエピソード」は、かなり昔、たぶん10年ほど前のことですが、私は数年間、ビクラムヨガに熱中していました。

お、いいね。

リスナーの皆さんの中にはご存じない方もいらっしゃるかもしれませんが、これは室温が105度の部屋で行うものです。ええ、ホットヨガですね。いわゆる「ハイ・ヨガ」とも呼ばれていて、その部屋に入って90分間ヨガを行います。非常に特定の90分間のシークエンスがあるんです。そして、終わりの頃には、みんなびっしょり汗だくになっています。

ニューヨークでもそういうのをやってみたよ。あちこちのヨガスタジオに行ってみたんだけど、最終的には1つか2つに落ち着いて、まあ、楽しかったよ。

それに、ヨガは最高です。

もちろん、体力も、柔軟性もそうですが、それに加えてマインドフルネスや、あの穏やかな気持ちも得られるんですよね。そう、90分間、高温の部屋で過ごした後に得られる感覚ですが、とにかく、終わるとすごく穏やかな気分で帰れるし、そこから素晴らしいアイデアが湧いてくると思います。私、45分くらいに最高のアイデアがいくつか浮かんだことがあります。

それに、もっと現実的な話ですが、今日の後半ではAI についてたくさん話すことになるのは分かっていますが、現実的に見て、今や機械が私たちの代わりに多くの仕事をこなしているのがわかりますよね。そうでしょう？ ええ。私たち人間が意識を向け、より高い周波数で活動していかなければ、状況は難しくなるでしょう。

だって、どうすればいいの？　コードを書いているのは君だけど、実際に処理しているのはマシンでしょ？　そうよね？　だから、マインドフルネスの観点から言えば、そこで私のヨガが自分にとっても役に立つかもしれないと感じているんです。

どうなるか見てみましょう。

わかりました。それでは、AWSでのご担当業務について教えてください。最近はどのような仕事に取り組みされていますか？

うん。まあ、いろいろ手広くやってる感じだね。ご存知の通り、ここ数年は自動車分野にかなり注力してきた。最初はコネクテッド・モビリティの案件を多く手掛け、その後ソフトウェア定義車両（SDV）の分野へと移行していった。ボッシュやデンソーをはじめ、世界中の多くの顧客やパートナーと仕事をしてきたんだ。 名前を挙げられないクライアントもたくさんいますが、BMWをはじめとする企業とも仕事をしていて、そのせいでかなり忙しかったんです。

しかし、この1年間で、私はより横断的な視点に重点を移してきました。つまり、多くの自動車メーカーや企業顧客と協力し、多岐にわたるユースケースに取り組んでいるのです。これらは、ここ数年、アーキテクチャやエンジニアリングの役割で携わっていたような、極めてニッチな自動車分野とは異なります。とはいえ、AI やエージェントなど、機械学習の分野では多くの変化が起きているため、とても楽しい仕事になっています。

可能性は無限大で、私が目にするのは特定の業界だけではありません。ですから、もっと学びたいと思っています。それこそが、AWSで働いている最大の魅力だと感じています。これほど多くのことを学べて、その上給料までもらえるなんて。まるで大学に通っているようなものですが、学費は払っていません。給料をもらえるだけでなく、世界中の多くの有能な人たちと仕事をし、この世界をより良い場所にするために貢献できるのです。

というわけで、そうですね。これがこの1年間の私の歩みです。AI の分野で、OEMやRAG、エージェント型AIを活用し、製造や自動車業界など、さまざまなユースケースに向けた多くの取り組みを行ってきました。

いいね。

うん。

先ほどAI について触れられましたが、私たちはよく車両や車両用ソフトウェアについて話題にしますし、その点については後ほど詳しく触れる予定です。しかし、今回のエピソードでは、いつもよりずっと多く「AI 」についてお話しする予定です。では、まず全体像の観点からその話題について話していきましょう。リスナーの皆さんは、こうした技術に対する理解度がさまざまだと思われるからです。

そうね。それに、今「AI 」と聞くと、ほとんどの人はChatGPTとか、検索とか、そういうものを思い浮かべるんじゃないかな。うん。でも、それはほんの一部に過ぎないんだ

AI の可能性について。

そこで、まずは大まかな概要を教えていただけないでしょうか。ええ。AI のアルゴリズムやAI の技術には、どのようなものがあるのでしょうか？

うん。その話に入る前に、ちょっと面白いエピソードがあるんだけど、15年くらい前、『ターミネーター』という映画を、たぶん初めて観たんだ。そうよね？　あの時は本当に怖かったよ。AI が何ができるのかとか、AI とどう戦うのかとか、そういうのがね。

でも、実際に取り組み始めてみると、「まあ、たぶんあと数百年は先の話だろうな」って思ったんだ。たとえそうなったとしてもね。よく分からないけど。だって、SFみたいな話だから。

そうでしょう？　まあ、どうにかなるさ。でも、あなたの言う通りですね。この分野では、本当にたくさんのことが起こっていますから。

だって、「AI 」なんて、別に新しい概念じゃないでしょ？ あの研究論文は1930年代、40年代、50年代のものだったんだし。

そしてね、あの頃、僕たちは「教師あり学習」について話し始めたんだ。つまり、ラベル付きのデータを与えるってこと。機械をもっと賢くして、人間がやるようなことをこなせるようにしようってわけさ。

そして、それが進化に次ぐ進化を重ねるにつれて、教師なしモデルの登場が見られるようになりました。つまり、ラベル付きデータだけにとどまらず、ラベルなしデータでも構いません。マルチモーダルデータでも構いません。必ずしもテキストである必要はないのです。そうでしょう？ 画像や動画、音声など、あらゆる形式のデータが対象になり得るのです。

信じてもらえるかどうかはわかりませんが、90年代に「AI 」がそれほどクールだとは見なされていなかった頃、Amazonは当時「AI 」という名称を使っていました。

つまり、もしあなたがあの最初のAmazonのサイトを見たことがあるなら――私は見たことないけど、あなたが見たかどうかはわからない――、そこには「特定のジャンルが好きなら……」という選択肢が表示されていたんです。レコメンデーションシステムですね。そう、レコメンデーションシステム。その通りです。それがAI でした。90年代初頭のことですね。その後、Googleもウェブ検索などで同じことをやるようになりました。

NetflixがDVDなどを郵送していた初期の頃、Netflixはそういうことをしていました。

その通りです。つまり、AI は新しいものではなく、この種の教師ありモデルや、少しの教師なしモデルは、かなり以前から存在していました。

それに、私がかつて、例えばフィンテック業界にいた頃の初期の頃を振り返ってみると、当時は不正検知や異常検知といった作業をたくさん行っていましたよね。それらはすべて、AI の一種ですよね。そうでしょう？

でも、自動車業界に入ったとき、最初に目にしたAI のユースケースはクルーズコントロールのようなものでした。これは要するに、さまざまなモダリティのデータをすべて取得してそれを解析し、車を車線内に維持するというものです。

車線逸脱防止といったユースケースもありますよね。車線を維持したり、制御したりといったものです。 これらはすべて従来の機械学習モデルです。さて、ご質問に戻りますが、はい、教師あり学習や教師なし学習があり、さらにディープラーニングが登場しました。つまり、「どうすれば人間のように考えられるか」という問いから、ニューラルネットワークやさまざまな認知機能を徐々に車両に組み込み始めたのです。そして、車両はクルーズコントロールを実行するようになりました。そして現在では、さまざまなレベルの自動運転について議論されています。

活用事例は本当にたくさんありますが、そこからさらに進化していく中で、皆さんには「アテンション」が必要だと思います。確か、それが論文のタイトルだったと思います。正確なタイトルは忘れてしまいましたが、2018年から2019年頃、Googleから発表されたものでしたよね？「アテンション」こそが重要なのです。

つまり、これは自己注意メカニズムについて述べているのです。

そして、かつての「AI 」――つまり、CNN（畳み込みニューラルネットワーク）やRNN（再帰型ニューラルネットワーク）といったもの――について考えてみると、問題は、大量の単語があるにもかかわらず、AI では次にどの単語やトークンが来るかを予測できなかったという点にあることがわかります。その能力は非常に限られていました。例えば、「ねえ、ジョンがリヴィアンを買った」とか、「ニールがテスラを買った」とか、そういう場合です。

AI は長い文を処理できませんでした。おそらく、数語程度しか処理できないのでしょう。

しかし、2018年頃に考案されたトランスフォーマーアーキテクチャの「自己アテンション」メカニズムによって、状況は一変しました。今では、このように数千、数十万、さらには数十億ものトークンを扱うことが可能になっています。 また、自己アテンションメカニズムにより、AI エンコーダー・デコーダーアーキテクチャは、次の単語がどこにあるかを推測できるようになりました。このように、文脈を認識する能力と、膨大な量のトークンをまとめて処理する能力が、すべてを一変させたのです。これが大規模言語モデル（LLM）の始まりであり、先ほどおっしゃったように、誰もが話題にしていたChatGPTもその一つですが、これらはすべてLLMへとつながる基礎となる足がかりであり、今後もさらなる発展が期待されています。

うん。

さて、今その話が出たところで、これらのトランスフォーマーモデルの次の段階、そして重要な革新点とは何なのか、と考えていますが、GPTの「T」はトランスフォーマーモデルを指しています。

このトランスフォーマーモデル、そしておそらくより一般的なLLM（大規模言語モデル）が、どのように状況を一変させるのか、教えてください。トランスフォーマーモデルによって、現在どのようなことが可能になったのでしょうか？

そうですね。ここでの最大の革新は、コンテンツ生成の分野だと思います。そうでしょう？ あなた自身もマーケティングに携わっているのですから、生産性が飛躍的に向上しているのを目の当たりにしているはずです。PowerPointを作成したり、さまざまなストーリーや動画、音声コンテンツを作成したりできるようになりましたからね。

例えば、ポッドキャストを作れるんですよ。Googleもやってると思うんですが、まるで2人の人間が話しているような音質のものですよね。これはAI で生成されたものじゃないですよ！

これはAI で生成されたものではありません。間違いなく、実際に人間が話しているのです。しかし、コンテンツの生成という点では、ChatGPT関連のあらゆる動きの中で、最も革新的なもののひとつだと思います。

そして、このモデルの学習には700億トークンが使われているとか、あのモデルの学習には1,000億トークンが使われているといった話を耳にするようになりました。しかし、そこであなたが非常に的を射た指摘をされました。「それが業界全体にとってどのようなメリットがあるのか？」と。そこで、多くの開発者向け生産性向上スイートが登場してきているのです。

例えば、Amazonでは「Q Developer」があり、また最近「Kiro」というものをリリースしました。これは、大規模言語モデルの力を活用してあらゆる判断を行う、エージェント型IDEです。 つまり、マーケティングやストーリーテリングのためのコンテンツ生成にとどまりません。あなたが書いているコードのようなコンテンツ生成も可能であり、その対象はあらゆるものになり得ます。JavaやPythonのコードはもちろん、50年前のメインフレーム上のコードであっても構いません。

そして、信じられないかもしれませんが、特にフィンテックやヘルスケアといった業界のお客様の中には、メインフレームを多用しており、それを移行できないというケースが非常に多いのです。そこで、AI がこうしたコードをすべて解析し、リファクタリングしてクラウドに移行させ、より現代的な形に刷新することができれば、お客様にとっては莫大なROIとなるでしょう。

そうですね。そして、LLM全般について興味深いのは、汎用的なLLMを考えるのではなく、人々が「AGI（汎用人工知能）」といったものについて語っている点だと思います。とはいえ、その段階にはまだ達していません。実際、現在行われているのは、画像生成や音声加工など、特定の機能に向けてこれらのLLMを学習させることです。その結果、それらはその分野における一種の専門家となることができるのです。

時間が経つにつれて、そうしたモデルは収束していくでしょう。より統合された専門家のような存在が生まれることになります。そうですね。しかし現時点では、先ほどおっしゃったような驚くべきことを成し遂げることができる、こうした特殊な専門モデルが登場しています。

その通りです。まさにその通りですね。そして、まさにその点において、この業界は今後大きく進化していくと思います。

また、AWSにはLLMマーケットプレイスもありますよね。そうですよね。ですから、多くのドメイン固有の機能について考えてみると、例えば、自動車業界で長年にわたり大きな課題となっていた予知保全のようなものや、あるいは、さまざまなユースケースで必要とされてきた多くの時系列予測モデルなどが挙げられます。

もし、そうしたドメイン特化型の問題に焦点を当てて学習された大規模言語モデルを想像してみると、それはまさにゲームチェンジャーになりますね。ええ。そこで、昨年、私たちは「ディスティレーション」と呼ばれる技術を発表しました。つまり、ただひたすら「巨大、巨大、巨大、巨大、巨大」を目指すのではなく、自社の事業にとって真に重要なデータの質を追求するということです。

それは自動車業界かもしれないし、医療分野かもしれないし、フィンテックかもしれない。でも、その指摘はまさに的を射ている。

業界はそういう方向に向かっていると思いますし、今後、さまざまなモデルが登場するでしょう。そして、顧客は用途に合ったモデルを選ぶことになるでしょう。

そうですね。多くの人が知っている例ですが、私にとっては特に説得力があると思うのは、医療診断について考えてみるときのことです。

うん。

特にレントゲン写真についてですが。レントゲンを撮ったことがある人ならご存知でしょうが、レントゲンを撮ると、技師がその場で画像を確認しますが、患者に結果を伝えることは許されていません。 でも、彼らは何百枚ものレントゲン写真を見ているんです。そして、その画像は医師のもとへ送られ、医師は数万枚ものレントゲン写真を見て、「ああ、骨が折れている」「骨は折れていない」「これがある」「あれがある」といった診断を下すのです。

そうですね。しかし、これらのモデルは数十、数百、数千、数百万枚ものX線画像を用いて学習されており、膨大な量の画像を学習しているおかげで、医師と同等、場合によっては医師よりも優れた診断能力を発揮できるほか、医師には見えないものを見抜くこともできます。 もちろん、モデルが医師に取って代わるというわけではありませんが、潜在的には「絞り込み」の役割を果たす可能性があります。つまり、「注目すべきは、この5％のX線画像だ」と示してくれるのです。

例えば、他のものは非常に明確ですね。ええ。それがコスト削減につながるのか、患者の転帰を改善するのか、処理時間を短縮するのか、あるいはその他の効果があるのか、といったことです。

要は、これらは新しいツールだということですね。そうですね。

それに、新しい使い方もできるんだ。うん。

先ほど、あなたは「エージェンティック」という別の言葉について触れていましたね。おそらく、ほとんどの人はまだ「エージェンティック」が何を意味するのかを十分に理解していないのではないでしょうか。

これは非常に重要な新たなトレンドですが、まだライフサイクルの初期段階にあります。「エージェンティック」とはどのような意味なのか、お話しいただけますか？はい。エージェンティックなAI がもたらす可能性について、また、現時点での課題や限界についてもお聞かせいただけますか？

ええ、その通りですね。昨年、あるいはここ数年は「OEMの時代」と言われていたと思います。というのも、さまざまなプロバイダーから、ほぼ毎週のようにLLMがリリースされていたからです。そして、RAG（Retrieval Augmented Generation）が登場し、チャットボットの時代が到来しました。今や誰もが、こうしたLLMを使ってチャットボットを開発しています。

でも、今年は「エージェントの年」だと言われている。なぜエージェントなのか？　それは、行動を起こす必要があるからだ。例えば、

人間だってそうでしょう。ずっと考え続けていて、何もしなければ、どこにもたどり着けないのです。

同様に、こうしたOEMやチャットボットについても、すべてのデータを照会することができ、それは良い出発点となるかもしれません。しかし、そのデータに基づいて実行を行うには、特定の機能が必要になります。では、従来はどのように行っていたのでしょうか？マイクロサービスを活用していたのです。

僕らは、いわゆるSOAアーキテクチャやREST APIとか、そういうものを使ってるよね。そうでしょう？でも、AI の世界では、エージェントについて話しているんだ。なぜなら、エージェントには意思決定能力があり、自律的に振る舞うことができるから。さて、どの程度の自律性なのか？

それはユースケース次第ですが、これは今後さらに多くのことを学んでいく成長分野です。例えば、自動車業界では、完全自動運転車について長い間議論されてきましたが、さまざまな複雑な要因により、まだ実現には至っていません。こうしたエージェント型ワークロードの多くについても、同様のことが起こるでしょう。 完全自律型エージェントがすべてを行うという話は続けられますが、それらが意思決定を行う際には、多くのトレードオフが生じる可能性があります。

すでに、例えばカレンダーのスケジュール管理や、「この期間に、ここからあそこへ、手頃な価格で飛ぶ便を探して」といった、ごくありふれた例が見られるようになっています。 そして当然ながら、時間が経つにつれて、私たち社会全体、そしてもちろん個人一人ひとりによって状況は異なるでしょうが、AI に自分たちのために物事を進めるためのより多くの権限や、より多くの「主体性」（「agency」という語の語呂合わせを意図しています）を委ねることに、より前向きになっていくのではないでしょうか。あるいは、 に作業を任せておき、実行する前に「これで大丈夫か」と確認するといった形を取る人もいるかもしれません。こうしたあらゆるケースが今後見られるようになると思います。 しかし、重要なポイントは、単に答えを得るためのデータ分析にとどまらず、何らかのアクションを起こし、場合によってはループを閉じる方向へと進むことで、AI の能力や処理能力、そして可能性を向上させることができるフィードバックサイクルを構築できるようになるという点だと思います。

そうね。これまでのソフトウェア開発における最大の違いは、そうよね？　ほとんどがルールベースだってこと。

つまり、要するにこう言っているわけですね。「マイクロサービスやAPIは、X、Y、Zを行う」と。そして、それを行うためには入力データを受け取り、出力データを送信することになります。そのロジックをコード化する必要があるのです。

しかし、エージェントの場合、大規模言語モデルの能力を備えているため、非常に多くの判断を下すことができます。ですから、常に明示的に指示を出す必要はないかもしれませんが、その代償として、思考力が犠牲になるのです。人間だってそうですよね？　考えすぎると、結局疲れ果ててしまうのですから。

エネルギーをかなり消費することになるでしょう。もっと水分を摂る必要があります。もっと食べる必要があります。エージェントたちについても同じことが言えます。

もしそれが継続的に処理を行い、本質的に非決定論的である場合、エージェントが長時間稼働し、大量のメモリやCPUなどを消費することになるため、そのコストを負担することになります。つまり、要するに、もちろんエージェントが未来の主流になることは間違いありませんが、if-then-elseのような単純明快なロジックに基づくワークロードがある場合は、やはりマイクロサービスを採用すべきです。そうしたマイクロサービスは、やはり構築すべきです。

意思決定に何が必要であれ、例えばサプライチェーン関連のユースケースなどですね。これは今日、大きな課題となっていますよね。特に、こうした関税などの問題がある中で。不確実性が非常に高いのです。

また、このエージェントに在庫管理を行わせたい場合、例えばベンダーの状況がどうなっているか、物流や輸送の状況を把握する必要があります。これらは、ロジックの多くをルール化できない典型的なユースケースです。エージェントやマルチエージェントによるオーケストレーションは、さまざまなアクションを処理するために、異なるシステムにアクセスする必要があります。つまり、これらはエージェントにとって理想的なユースケースであり、まさにそれが未来の姿なのです。

とはいえ、ルールベースのロジックで処理できる場合は、すべてをエージェントに任せて「一か八か」のような賭けに出ようとはしないでください。

そうですね。

ですから、私の考えでは、決定論的と非決定論的というこの2つの世界は今後も共存し続け、それぞれの用途に応じて適切なツールを使い分けることになるでしょう。

では、一歩引いて、今おっしゃったことをまとめてみると、私が理解した限りでは、AI は発展を続けているということですね。その能力も向上しています。ええ。ただ、これを単一の塊のようなものとして捉えるべきではなく、より単純なモデルから、より複雑なモデル、さらにはより独立性が高く、明らかに自律的なモデルに至るまでのスペクトラムがあるということです。意味を混同させたくはありませんが、より主体性があり、行動志向のモデルということです。

そして、それらはすべて、今後も引き続き価値のあるものとなるでしょう。

うん。

そして、その組み合わせは、おそらく時間の経過とともに変化していくでしょう。

そういう考え方もあるのでしょうか？

その通りです。私たちのコンピュータやストレージ、データベースについても考えてみれば、すべてがまさにそのように進んできたのです。例えば、当初は、いわゆるモノリシックなメインフレームのOEMメーカーばかりだったわけですよね。

そして、私たちは分散型システムへと移行しました。VMwareなどについて議論を始め、今ではコンテナが主流となっています。さらに現在はサーバーレス関数についても話題に上っていますが、それらの巨大な物理マシンは依然として存在しています。一方で、0.5ギガバイトのメモリ上で動作する単一のコード片であるサーバーレス関数も存在しています。

つまり、このコンピュート・リストに挙げられた膨大な機能群は、依然として存在し続けているわけです。データベースについて言えば、巨大なモノリシックなデータベースが数多く存在しますよね？ しかし、時系列データベースのような小規模なデータベースも存在します。

他にも、NoSQLデータベースといった種類のデータがあります。

つまり、AI の分野でも、数多くのLLMが存在する中で、同じようなことが起こるでしょう。そして、私たちはその現場にいるわけです。わかりますよね？ 私が冗談で言うのはそういうことなんです。ソリューションアーキテクトとして、エンドユーザーから逆算して、どのツールが適しているかを導き出すのが、ある意味私たちの仕事ですから。

あなたの利用シーンに適しているのは、すべてを1つのカゴに詰め込もうとしないことです。仕事にはそれにふさわしい道具を使うべきなのです。

いいね。

では、自動車について話しましょう。『Sonatus 』というポッドキャストでは、間違いなく自動車技術と自動車用ソフトウェアを扱っています。先ほどいくつか触れていましたが、まずは現在、AI が自動車でどのように活用されているかについて話し、その後、今後の展望についても話し合いましょう。

そうですね。実は、ここ10年ほど自動車業界に携わってきた中で、本当にたくさんの活用事例を目にしてきました。というのも、私の専門分野はビッグデータとIoTだったんです。自動車分野に加え、コネクテッドホーム関連の製品にも数多く携わってきました。

そうでしょう？ だからこそ、コネクテッド・モビリティやコネクテッド・ホームといった分野は、ある意味似通っていたんです。そうした分野では、大量のテレメトリデータが収集されていました。自動車分野の場合、そのデータは主にテレマティクスユニットから取得されます。

そして、彼らは艦隊の管理やそのほか諸々の業務をすべて担当していた。

その後、私はOTA分野の業務に携わるようになりました。というのも、自動車業界でも、テレメディシン機器やインフォテインメント機器だけでなく、アップグレードの対象となるべきだという議論が始まったからです。つまり、「自動車関連のシステム全体をよりアップグレードしやすいものにするにはどうすればよいか」という議論です。そして、それは時間とともにアップグレードされ続ける必要があり、そのコストは減価償却されないものでなければなりません。

そこで、「ソフトウェア定義車両」という概念が浮上し始めたのです。そして、それは単に無線によるアップデートだけにとどまるものではありませんでした。

皆さんご存知の通り、あなたはこの分野におけるSME（専門知識を持つ専門家）であり、エキスパートでもあります。 また、車載アーキテクチャの変革も重要なポイントです。何百ものECUが存在する状況では、運用が極めて困難になるからです。そこで、ECUの統合を進め、ゾーンベースあるいはドメインベースのアーキテクチャへと移行することで、ソフトウェアの更新を一括して配信したり、車両から大量のデータを収集したりして、次世代の体験を実現することが可能になります。

ですから、AI については、先ほども触れた通り、以前から存在していたと思います。そうですよね？ さまざまな形態の機械学習は、以前から存在していました。数年前、当社のパートナーであるBlackBerryと協力していた際、私たちは「合成センサー」についても話し合っていました。これは、機械学習ベースのものやロジックベースのものなど、多数のセンサーを展開するものです。

そして、こうしたデータをすべて収集し、クラウド上で処理を行う前に車載端末でノイズの多いデータを処理しています。というのも、データの送受信には多大なコストがかかる場合が多いためです。長々と説明して申し訳ありませんが、生成型AI とエージェントを活用すれば、サプライチェーン全体を結びつけ、コネクテッド・モビリティを実現できると私は考えています。

あるいは、データの収集方法や、実際にクラウドへ送信できる高品質なデータの量です。EEアーキテクチャやソフトウェア定義車両（SDV）において、車両自体で処理できる作業の量――これらは本質的に非決定論的ですが――が、極めて重要になるでしょう。

そこで、先ほどおっしゃっていた「適切な仕事に適切なモデルを用いる」という点が出てくるわけです。

車に1,000億個ものトークンを搭載する必要はありません。おそらく、1,000万個程度のトークンで十分でしょう。それだけでも、皆さんが目指している用途には十分対応できるはずです。そして、皆さんが開発している、車載ソフトウェアに特化したこれらの優れたソフトウェアこそが、そこで非常に大きな価値を発揮すると思います。

そうですね。本当にありがとうございます。感謝しています。それでは、その話題に入りましょう。つまり、冒頭でも触れましたが、AI の車載システムといえば、自動運転だけ、あるいは自動ブレーキだけ、あるいはアダプティブ・レーンキープ機能だけだと考えがちで、そういう認識があると思います。

それらは本当に素晴らしいですね。私はそれらの技術のすべての大ファンで、大好きです。ええ。でも、Sonatus で私たちが取り組んでいること、そして見逃されている機会があると考えて、その認識を広めようとしているのは、まだまだできることがたくさんあると思うからです。

そこで、いくつか例を挙げてみましょう。私たちは長年にわたりAWSと提携してきました。このパートナーシップを大変大切に思っています。

昨年のコンシューマー・エレクトロニクス・ショー、つまり1月25日のことですね。ええ。

当社は「AI Technician」という新製品を披露しましたが、これはAWS上で動作し、大規模言語モデル（LLM）を活用しています。そして、LLMと分析を活用することで、車両の問題をより深く理解できる可能性があることを示しました。

そして、Sonatus が提供するソフトウェアやデータインフラといったものを活用して、より質の高い、きめ細かいデータを得るわけですね。ええ。

「これって問題かな？　問題じゃないかな？　緊急の問題かな？」といったことを見極められるようにするためです。

緊急性の低い問題ですか？　全車両に及ぶ問題ですか？　そうですね。1台の車両だけの問題ですか？

こうして、「AI Technician」というコンセプトは、大きな関心を集めるようになりました。また、先ほどお話しした「エージェント的」な考え方、つまりデータ源が1つだけではないという点も活用しています。単にトラブルコード、DTCコード、診断トラブルコードを見るだけではありません。DTCコードを確認して、それをRAGやLMに入力するだけというわけではないのです。

そうですね。でもむしろ――これは先ほどあなたが指摘された点ですが――私たちは多くの情報源からデータを収集しています。そして、それらのデータを組み合わせることで、単一の情報源だけでは得られない、より的確な答えを導き出しているのです。そこが、AI がもたらす強みだと思います。

それは、とてつもなく強力なものになるでしょうね。私も同感です。いわゆる「車輪付きのデータセンター」ってやつですが、まさにその通りなんです。先ほどおっしゃっていたように、ネットワークトポロジーは実に多種多様ですからね。CANもあれば、イーサネットもあり、他にも本当にたくさんありますから。

そして、私たちが長い間苦心してきたのは、こうした多種多様な信号をどのようにして標準的な形式にデシリアライズするかという点でした。だからこそ、COVESAのVSS仕様の策定に取り組み始めたわけですが、すべてのOEMがVSSを採用しているわけではありませんよね？ 各社それぞれ独自の方式を持っています。そこで、さまざまなネットワークトポロジーや多種多様なECUから送られてくるこれらすべてのデータをどのように標準化し、ほぼリアルタイムでその意味を解読して、パーソナライズされた体験を提供したり、さらにはブレーキパッドの摩耗が進んで交換が必要だという予測メンテナンス情報をディーラーに送信したりできるようにするのでしょうか。

それで、ディーラーに行くと、ディーラー側は「いえ、問題ありません。直しますから」と言うんですよね。そうですよね？

つまり、これらすべてが包括的なバリューチェーンなのです。AI なら、この課題を解決できると思います。あなたが言ったように、単なる豪華なインフォテインメントシステムというだけではありません。そうですね。

例えば、組み込みデバイス向けのAlexa SDKが最初にリリースされた際、私もその開発に携わりました。 今でもよく覚えていますよ。NXPと共同で再構築を行い、顧客に組み込み方の実例をデモしたんです。アレクサ、あれこれと。つまり、私たちが長年取り組んできたインフォテインメント関連の分野や、ML（機械学習）も以前から存在していましたが、ご指摘の通り、現代のAI にはまだまだ可能性が無限に広がっています。なぜなら、それは次の進化形であり、あらゆる場所に浸透しているからです。

そう言ってくれて、本当に嬉しいわ。

そして、この最後の点は、今日ここでお話ししたい最後のポイントへと絶妙な流れをつなぐものです。Sonatus が、AI の最新製品である「Sonatus AI Director」をリリースしたことを、私たちは大変嬉しく思っています。 そして、先ほどお話ししたAI 技術者に関する内容にもさらに踏み込んで言えば、私たちが認識しているのは、現在のAI は、一般的に言えばADASユニットを中心に展開されている傾向があるということです。もちろん、特定のケースでは、IVIユニット内のチャットボットを通じて、「最寄りのスターバックスはどこか」や「帰宅途中に渋滞に巻き込まれるか」といったことを尋ねるケースもあります。そうですね。 しかし実際には、それは車両インフラのごく一部に過ぎません。車両のサブシステム全体から見ても、ごくわずかな割合に過ぎないのです。

そこで私たちが認識したのは、AI を、より多くの車両サブシステムにおいて、さまざまな用途――より精度の高い診断、予防保全の向上、最適化、効率改善、経時的なチューニングなど――に活用する上で、まだ大きな未開拓の可能性が秘められているということです。 そこで、AI のディレクターが行ったこと――AWSは当社のローンチパートナーの一つであり、この取り組みの幕開けを共にできることを大変嬉しく思っています――は、クラウドではなく、車両内へのAI の導入を加速させるためのインフラを、私たちがどのように提供できるかを示したことです。クラウドは重要です。クラウドは今後も常に重要であり続けるでしょう。

そうですね。しかし、レイテンシーに敏感な場合や、クラウドに送信するにはデータ量が多すぎる場合、プライバシーの懸念がある場合、あるいは知的財産権の保護に関する懸念がある場合など、ローカルで処理しなければならないアプリケーションも確かに存在します。こうしたモデルを、適切な場面で、車両のインフラ内で稼働する車両により近づけ、問題の解決、コスト削減、効率化を実現するにはどうすればよいでしょうか。

そこで、先日このサービスを立ち上げたときは本当にワクワクしましたし、あなたに参加いただけてとても嬉しく思っています。あなたは以前からこの種の問題に取り組まれてきましたね。これは業界にとって真に必要とされているものだとお考えですか？

ええ。その通りです。だって、データこそが依然として差別化の鍵ですから。

AI について何度も話していますが、失礼な言い方かもしれませんが、適切な品質のデータがなければ、「ゴミを入れればゴミが出る」という状態になってしまいます。私はそう確信しています。わかりますか？ つまり、先ほどおっしゃったように、高いデータ品質やデータガバナンス、そしてあらゆる種類の最適化に、これからも徹底的にこだわる必要があるのです。

そして、AI ――それが LLM ベースのAI であれ、エージェントベースのAI であれ――が、あなたにその ROI をもたらしてくれるでしょう。インターネット上のデータで学習されたこの LLM を手に入れれば、それがビジネスに魔法のような効果をもたらしてくれると考えるのは間違いです。つまり、それが現実なのです。

そして、まさにそこが、皆さんが先駆けて取り組んでいる多くのソリューションの真骨頂であり、顧客にとって非常に役立つものになると思います。

そうですね。ありがとうございます。そして、私たちが気づいたことの一つに、バッテリーや推進システム、安全性、タイヤなど、あらゆる分野に専門知識が溢れているという点が挙げられます。これはすでに実証済みですし、今も変わらず当てはまることです。

そうした専門知識が世の中には存在しています。しかし、現在の課題は、OEM各社がこれらのモデルを個別に統合しなければならず、その統合コストが高額であるという点です。OEM各社が、業界の専門家たちのイノベーションを、自社にとって非常にスケーラブルな形で活用できるよう、いかにしてより汎用性の高いインフラを構築できるでしょうか？ それが、私たちが取り組んでいることです。そしてこれまでのところ、この取り組みには非常に好意的な反響が寄せられています。

そうですね。これは本当に素晴らしいことです。マルチモーダルなOEMメーカーについて考えてみても、そうですよね。彼らは実際には多くの知見をもたらしていますが、それはあくまで社内データに過ぎません。しかし、こうしたデータは、さまざまな業界分野でますます活用されるようになっています。10年ほど前に私が目にしたように、多くの顧客が「データ交換」と呼ばれる取り組みに実際に貢献しているのと同じような流れですね。

つまり、彼らは「トレーダー」という、金融業界や医療、自動車業界などにとっては高品質なデータを持っており、それをオープンソースモデルであれ商用モデルであれ、いずれかの形で共有しているのです。そして、そのデータは他のさまざまな業界でも活用されることになります。この分野でもおそらく同じようなことが起こるだろうと思います。そうなったとき、LLMの威力は計り知れないものになるでしょう。

それを頭脳として活用し、こうしたベストプラクティスをすべて取り入れるわけですね。おっしゃる通り、EVの航続距離に対する不安は、今日でも非常に大きな問題となっています。

そうですね。

私は本当に多くの人々、OEM企業さえも話を聞きましたが、皆が同じ問題を抱えていると口々に語っていました。例えば、EVの航続距離に対する不安や、「どうすればいいのか」といった課題です。そして、タイヤからのデータやさまざまなECUからのデータを収集し、それらを統合して、予測的・予防的なメンテナンスや、さらには航続距離の最適化を行うという、このデータ・フライホイール全体が整わなければ、こうした課題は最適化できないのです。

一見シンプルに見えますが、実際にはそうではありません。というのも、車自体に非常に多くの機能を搭載しているからです。例えば、長距離ドライブ中に子供がNetflixを見たいと言うような場合です。そうでしょう？ もしシステムからこれほど多くのバッテリー容量を割り当てておきながら、それでも航続距離を500マイルに保とうとしても、それは不可能です。 では、これらすべてをどのように最適化すればよいのでしょうか？その答えは、データと、その上に構築されたAI （機械学習）にあります。そして、従来のモデルであれ大規模言語モデルであれ、継続的に学習し、モデルを微調整していくのです。そうですよね？

そして、それがまさに、皆さんご存知の通り、実践できるMLOpsなのです。

その通りです。先ほど「航続距離不安」についてお話しされましたが、その原因の一つもバッテリーにあります。自動車用バッテリーの技術や、その理解は急速に進歩しています。

当社のローンチパートナーの一つに、バッテリー管理システムおよびバッテリー状態管理の分野をリードする「Qnovo」という企業があります。ええ。今回のローンチに同社が参加してくれたことを大変嬉しく思っています。

彼らが注目しているのは、バッテリーの不具合の検出や充電速度の向上など、驚くべきイノベーションですが、そのためにはデータが必要です。モデルも必要です。そこで、私たちが彼らと共同で行っている取り組みの一つは、同じインフラを活用して、そのモデルを実用化するための手段を提供することです。これは、通常は思いもよらないようなサブシステムですが、同じインフラを活用することができるのです。

その通りです。

それから、あなたが指摘されたもう一つの点、これは本当に重要だと思うのですが、私たち業界全体として、また技術者として、常に未来を先読みすることが使命だということです。そして、未来を先読みするということは、時には、将来、自分たちがまだ知らないことが起こるだろうということを受け入れることでもあるのです。

うん。

では、次なるイノベーションが訪れた際に、それを活用できるよう、どのような枠組みを整えておけばよいのでしょうか？

この仕組みを活用することができます。多くの技術、とりわけ自動車の場合、歴史的に見て「車だから走る」という理由だけで設計され、「それだけで十分」と考えられてきたことがあまりにも多いからです。しかし、予期せぬ事態が発生すると、その車両は陳腐化したり、市場での競争力が低下したり、再販価値が下がったりしてしまいます。 出荷後も、航続距離の最適化や新しいサービス、新たな安全技術に対応できるよう、車両の機能を長期的に拡張する仕組みをどのように構築すべきでしょうか。これこそが、私たちが提供しようとしている「拡張性」のメリットの一つであり、業界にはそのニーズが非常に大きいと私たちは考えています。

ええ、ええ、その通りですね。そして、ここがまさに、私が今でも、クラウドの力が非常に重要になると信じている理由なんです。そうですよね？

私はこれらの取り組みのいくつかには直接関わっていませんが、同僚たちはクラウド上の仮想ECUなどに取り組んでいますよね。そうですよね？ おそらく車載で利用していたNVIDIAの機器を、たくさんクラウド上に持ち込んでいたわけですよね。どうやってそれらをクラウド上で稼働させ続け、これらすべてのシミュレーションを実行しているのでしょうか？

特に、ECUを統合したEEアーキテクチャを採用する場合、車はクラウド上に存在することになります。そして、これらすべてに対してエンドツーエンドのシミュレーションを実行することになります。最終的には、「現時点で何が理にかなっているのか？」といったことを見極めていくことになります。なぜなら、車は一味違う存在だからです。

これは、スマートヘッドフォンみたいなものとは違いますよね？ つまり、もう分かっている人に説教するつもりはないんですが、安全上極めて重要なシステムのように、決定論的なアクションを実行する必要があるようなものなんです。

エアバッグが展開しています。直ちに対処してください。これは他のコネクテッド製品とは一線を画しています。これは市場で最も複雑な製品です。

ですから、おっしゃる通り、これは継続的な学習のプロセスだと思います。クラウドでは加速を図り、エッジ側ではパートナーと連携していくことになりますが、そのためにこれらすべてのデータが必要です。また、機械学習やOEM各社にとっても、これらすべてのデータが不可欠です。MLOpsのすべてが必要であり、SDLCのベストプラクティスもすべて必要です。これらは今後も変わらないでしょう。変わっていくのはツールだけなのです。

そして、その仕事にふさわしい道具を使う必要があります。

「まさにその通りですね」とあなたは言いました。先ほどは車両エッジについて少し話しましたが、肝心なのは、実際にはこれらすべてが必要だということです。そうですね。強力なクラウドが必要です。強力なデータも必要です。

強力なサービスが必要です。そうですね。それに、車載データも必要ですし、それらが密接に連携し合う必要があります。つまり、要はそういうことなんです。

だからこそ、私たちはあなたと提携しているんです。そうですね。

うん。

だからこそ、あなたをお迎えできて本当に嬉しいです。こちらこそです。この話題について話せるのはとても嬉しいですし、『AI 』についてさらに詳しくお話しできるのは本当にワクワクします。今後のエピソードでも、『AI 』についてさらに詳しく取り上げていく予定です。いずれにせよ、これらすべてのテクノロジーについて、まさに「マスタークラス」のような解説をいただき、本当にありがとうございました。

お招きいただきありがとうございます。ジョン、本当に感謝しています。あなたとお話しできてとても楽しかったです。

今回のエピソードを気に入っていただけましたら、ぜひ「いいね」とチャンネル登録をお願いします。今後も同様のコンテンツをお届けしていきます。ご視聴いただきありがとうございます。また近いうちに次のエピソードでお会いできるのを楽しみにしています。