車載エッジの潜在能力を引き出すAI

0:00 自動車イノベーション入門

『Driving Innovation 』の新たなエピソードへようこそ。このポッドキャストでは、自動車ソフトウェアのイノベーションとAI の交差点、そしてそれがモビリティの未来をどのように牽引しているかを探っていきます。

本日は、ソフトウェア定義型車両（SDV）の技術とソリューションが、エッジAI を活用して、車両を単なる静的な機械から、インテリジェントで適応性の高いプラットフォームへと変革する仕組みについて詳しく解説します。このテーマについては、当社の最新ホワイトペーパー『車載エッジの潜在能力を解き放つ（Unlocking the Potential of In-Vehicle Edge）AI 』で詳しく取り上げており、当社ウェブサイトからダウンロードいただけます。

0:31 クラウドベースの課題AI

ここでは、クラウドベースのAI だけでは不十分な理由、OEM各社が導入を躊躇している要因、そしてSDVが予測保全からエネルギー最適化、さらにはそれ以上の領域に至るまで、車載インテリジェンスのリアルタイム化をいかに実現するのかについて詳しく解説します。

自社のデジタルロードマップを策定する経営幹部であれ、裏方で変革を推進する技術者であれ、この記事はあなたに向けたものです。それでは、始めましょう。

1:04 ゲストの紹介

本日は、車載エッジAI について話し合うため、Sonatus のプロダクトマネージャーであるスティーブ・ストッダード氏をお迎えしています。スティーブ、ポッドキャストへようこそ。ありがとう、サンジェイ。それでは、始めましょう。

現在、自動車業界において、エッジAI はどのような話題を集めているのでしょうか？

そうですね。現在、いくつかのトレンドが相まってきているように思います。その一つが、ここ10年ほどの間、長年にわたり開発が進められてきた自律技術で、ようやく本格的な成果が出始めているところです。そのため、この分野では大きな話題を集めています。

しかし一方で、こうした従来のLLMモデルが急速に普及しているという状況もあります。これらは主にクラウドベースですが、そのおかげでAI への認知度が大幅に高まり、顧客からも大きな関心が寄せられているほか、実際に「AI 」を今すぐ車に搭載したいという期待も高まっています。課題の一つは、クラウドベースのAI には、車両からクラウドへデータを送信する際のデータ通信コストという制約があることです。また、通信接続に関する問題が発生する可能性も常にあります。

さらに、PIIデータ、つまり個人を特定できる情報に関する懸念や、顧客の機密情報からのデータ漏洩の可能性といった問題もあります。

EUのGDPRや、個人データの管理に関してより一層の配慮を求められるその他の地域ごとの規制などにより、AI のモデルをクラウドではなく車載環境で実行したいという傾向が強まっています。

2:24 クラウド型からエッジ型への移行AI

最近、「AI 」が大流行しているのは知っています。

従来のレガシーな車両アーキテクチャでは実現できなかった「エッジAI 」を、今日、自動車業界ではどのような取り組みによって実現可能にしているのでしょうか？

そうですね。間違いなく。ソフトウェア定義車両、いわゆるSDVというトレンドは、間違いなくその大きな要因の一つです。もちろん、ソフトウェアを通じて制御が強化され、特定の変数を変更できるようになれば、AI モデルにおいて、これまでは存在しなかったような多くの機能が実現可能になります。

さらに、こうした機械学習モデルの多くは、かなり定着してきました。つまり、従来の機械学習が、レコメンデーションモデルや、今日クラウドで利用されているような技術への道を開いたわけですが、これらは現在、車載機器に見られるようなリソースの限られたハードウェア上で動作するように、より最適化されつつあります。 同時に、車載向けに開発されているハードウェアの一部では、特に前述した自動運転技術の台頭に伴い、AI のニューラルコンピューティングやGPUに適したHPC（ハイパフォーマンスコンピューティング）や演算能力への傾向が強まっています。車両に実装可能なこの種のシリコンへの注目が、以前よりもはるかに高まっています。

そのため、現在では、こうしたタイプのモデルを実際に動作させることができる高性能なECUが、車両内にこれまで以上に幅広く搭載されるようになっています。つまり、SDV技術は、エッジAI を車両に導入する道を明らかに切り開いているのです。

それでは、もう少し詳しく見ていきましょう。

3:52 エッジAI の導入におけるOEMの障壁

これまで、OEM各社を阻んできた要因は何だったのでしょうか？

重要なポイントの一つは、車載ネットワークのトポロジーです。従来、車両の実際のアーキテクチャや信号の伝達方式は、比較的硬直的で静的なものでした。しかし、SDVへと移行するにつれ、その柔軟性によって、こうした機能が大幅に拡大することになります。

もう一つの課題は、実際のデータアクセスです。したがって、AI のモデルを車両に導入する際に考慮すべき点の一つは、モデルの入力として必要な適切なデータを、適切なタイミングでそのモデルにどのように送信するかということです。

そして、それは間違いなく、新しいテクノロジーによって実現し始めていることの一つです。さらに、クラウドベースのツールや、MLOpsのようなツールも数多く登場しています。これらはクラウドへのモデルデプロイには非常に適していますが、それはMLを行う上でのより伝統的な方法と言えます。 一方、自動車のような組み込みデバイスにモデルをデプロイするためのリソースやツールは、まだそれほど多くありません。また、自動車は一般的なIoTデバイスに比べて、特にデータの制御やアクセス管理などの面で、もう少し厳格な要件が求められると考えています。

4:58 自動車業界向けAI ツール

そうですね。つまり、AI モデルを実行するには、当然ながら柔軟性と精度が求められます。先ほど、自動車業界に特化したAIMLオペレーションのツールチェーンについて触れられましたが、それについてもう少し詳しく見ていきましょう。現在利用可能なツールがすべて、自動車業界の環境に適しているとは限らない理由について、詳しく説明していただけますか？

そうですね。確かに。これはちょっと厄介な問題ですね。というのも、車両から得られるデータにアクセスできる人々にとって、モデルのトレーニングや導入の一般的な流れとしては、まずすべてのデータを収集し、それに基づいてモデルを構築することになるのですが、通常、その作業を行うのはデータサイエンティストやMLエンジニアだからです。

そして最終的に、これを車両に組み込むには、適切なデータソースに接続し、モデルを最適化（通常はダウンサイジングやスパース化などの手法を適用）し、車両内のどの部分にデプロイするかを決定した上で、最終的に「このモデルで問題ない」と判断するための承認プロセスを経る必要があります。 「このモデルが車内の他のプロセスに悪影響を及ぼさないことは分かっているため、実際に展開しても問題ない」という判断が下せるのです。したがって、MLツールチェーンは、これらの重要な側面をすべて網羅している必要があります。そうでなければ、単なる障害となり、実行することはできないでしょう。

そうですね。ええ。大きなサーバーにAI を導入するような話とは違います。それに、このデバイスやプラットフォームには、他にもたくさんの役割が求められているんです。何と言っても、人や荷物をA地点からB地点へ運ぶこと、安全を確保すること、そして乗客を楽しませ、満足させることが主な役割ですから。

つまり、さまざまな要素が絡み合っているわけですね。確かにそうですね。

他にも、考慮しなければならないミッションクリティカルな事項が数多くあります。

6:37 「AI 」モデルにおけるインフラの課題

インフラについてもう少し詳しく見ていきたいと思います。先ほど、車両にはさまざまな、ミッションクリティカルな任務を遂行しなければならないという点について話しました。これは制約の多い環境であり、多くの制限が存在します。

OEM各社は、AI モデルの運用環境に対応しつつ、輸送やモビリティという車両の本来の使命も果たすために、どのようなアーキテクチャ上の選択を行うことができるでしょうか。

そこで、OEM各社がSDVへの移行を進める中で、車内のネットワークが、従来のCANのような低速アーキテクチャから、よりイーサネットベースのものへと移行することがよくあります。 従来は、イーサネットをバックボーンとする構成が主流でした。現在では、分散型ECUを用いた分散型ネットワークから、ドメイン指向アーキテクチャ、さらにはゾーン型アーキテクチャに至るまで、様々な形態が見られます。これらすべてのケースにおいて、一般的に「モデルをデータに合わせる」か「データをモデルに合わせる」かという課題が生じます。

したがって、そのような場合には、データが利用可能な場所でモデルを実行できるよう、そのモデルをエッジECUノードや、さらにはMCUに実際に展開できる適切なソリューションを用意する必要があります。逆に、例えばゲートウェイにモデルを配置する場合、エッジECUからデータを取得してそのゲートウェイに送信する、一種のエージェントが必要となります。これらが重要なポイントのいくつかです。 一般的に、サービス指向アーキテクチャ（SOA）は、この種のモデルを展開し、車内でそれらを実行し、その機能を確認するために必要な柔軟性を提供するのに適していると考えています。

しかし、これらをコンテナ化された環境で実行する必要もあります。先ほどの安全性やミッションクリティカルな観点に立ち返ると、デプロイされたモデルが常に車両の安全を確保し、かつ、ミッションクリティカルな機能の実行を妨げるほど多くのリソースを消費しないことを確実にしたいのです。

そうですね。ですから、特定のハイエンドGPUなどに依存することなく、汎用ECUにモデルをデプロイできる、柔軟性の高いプラットフォームが本当に必要になります。

というのも、それらのECUは、パワートレインの管理やインフォテインメントシステムの管理など、他にもさまざまな役割を担わなければならないからです。その通りですね。実に興味深いですね。つまり、さまざまな課題を同時にこなさなければならないわけですね。

ですから、エッジAI を車両に導入するには、もっときめ細やかなソリューションが必要だということがよくわかります。

その通りですね。そして、まさにその点において、最適化が非常に重要になってくるわけです。そうですよね？リソースには限りがあるため、モデルのパフォーマンスに必要な精度を犠牲にすることなく、モデルを可能な限り最適化したいところです。いいですね。

つまり、これは明らかにチャンスですが、課題も存在します。

9:23 ADASを超えたユースケース

また、ご説明いただいたように、SDV技術は、エッジAI のユースケースをさらに拡大するための道を開くことができます。ところで、まだユースケースについてはあまり触れていませんでしたね。ADASや自動運転について話題になることは多いですが、その多くはAI に依存しています。では、エッジAI によって実現されるその他のユースケースにはどのようなものがあるのでしょうか？また、OEM各社はなぜこれを重視すべきなのでしょうか？

そうですね。その通りです。ですから、私たちが最も興味深いと考えているユースケースの多くは、実はADASの範疇を完全に外れています。というのも、ADASはすでに多くの人が取り組んできた分野だからです。その分野では、すでに多くの人々が素晴らしい成果を上げています。

しかし、車内に搭載されている従来のシリコンチップやハードウェアを活用すれば、パーソナライゼーションや特定の機能に対応する、より興味深いモデルを実行できると考えています。そこで、いくつかのユースケースの例を挙げてみましょう。確かに、安全性の観点からは、タイヤの摩耗やタイヤ管理が重要な要素となります。そのため、従来の物理ベースのモデルに加え、他のソースからのデータも活用されています。

つまり、特定の運転行動に応じて、タイヤの摩耗分析モデルやハイドロプレーニング現象のモデルなどを個別に最適化し、路面に対する十分なグリップを確保できるようにします。これにより、ユーザーや車載の他のシステムに対して早期警告を発し、トラクションコントロールの調整などを促すことができます。もう一つの活用分野は、パーソナライゼーションです。具体的には、ユーザーがADASシステムとどのようにやり取りするかといった点です。これにより、例えば、時間の経過とともに新しい機能を実現することが可能になります。

車両には新しいモデルに対応できるハードウェアが搭載されている可能性もありますが、時間がなかったか、あるいはその機能がまだ存在していなかったのです。実際に車両の量産を開始した時点では、その機能について知りませんでした。こうしたプラットフォームを活用すれば、車両に新しいモデルを展開し、さらに高度なパーソナライゼーションを実現することができます。つまり、パーソナライゼーションがかえって注意散漫を招く可能性もあるということです。

ですから、ユーザーによって、その直前に気が散っていたかどうかという状況に応じて、特定の注意散漫を知らせる音の色や再生方法を変更したい場合もあるでしょう。他にもいくつかあります。まもなく施行される規制もあります。

EUでは、ヘッドライトの自動レベル調整などに関する特定の規制により、こうした機能が求められるようになるでしょう。また、規制の条文そのものは満たしつつ、その上に追加機能を搭載することも可能です。例えば、走行中でもヘッドライトを動的に調整できるような新機能を追加できるようになったのです。

最近、ChatGPTやその他のLLMベースのモデルが自動車にも導入され始めているのを見かけますよね。ChatGPTに「一番近いコーヒーショップはどこか」と尋ねて、そこへナビゲートしてもらうといった用途以外にも、こうしたLLMベースのモデルが活用される余地はあるのでしょうか？ええ。

ええ、その通りです。そして、まさにこれがこの分野における大きな盛り上がりの原動力となっているのは間違いありません。LLMにはさまざまな種類があり、それぞれの活用事例も多岐にわたります。例えば、従来のチャットアシスタントなどがありますが、多くの人がこれを利用しており、その成果や熱意の度合いは人それぞれですが、間違いなく注目を集めています。

これらはしばしばIVIと連動しています。そのため、LLMの具体的なユースケースによっては、車内の別のECUで実行した方が良い場合もあります。また、私たちが特に魅力的だと考えているLLMのもう1つのユースケースは、サイバーセキュリティの分野です。 多くの場合、侵入検知モデルは、潜在的な侵入に対して非常にきめ細かくて数多くのルールを設けており、クラウドへ大量のデータを転送する必要があるだけでなく、多くの誤検知も発生します。

LLMの登場により、こうした誤検知を大幅に低減できるだけでなく、脅威経路、つまり脅威ベクトルの範囲を大幅に広げ、かつこれらのモデルに簡素化できるモデルベンダーがいくつか現れてきています。もちろん、懸念点の一つは、LLMとは具体的に何を指すのか、そしてそれを車載環境で実行できるのかという点です。そして、まさにこの点において、多くの最適化ノウハウが活かされるのです。

もちろん、SLMは次々と登場しています。SLMとは、Small Language Models（小型言語モデル）のことです。

ええ、その通りです。その境界線をどこに引くかについては、まだ結論が出ていない問題だと思います。

しかし、結局のところ、計算能力が向上し続け、特に車載ECUにおけるニューラルコンピューティングやGPUのような機能が強化されるほか、モデルの圧縮や、従来の基盤となるLLMの機能をますます小型化したツールへと集約・圧縮していくにつれ、今後数年のうちに、車載ツールがはるかに高性能になるという収束の傾向が見られるようになると思います。

13:54 車載エッジにおけるSonatusの役割AI

素晴らしいですね。それでは、この進化におけるSonatus およびSonatusの役割についてお話ししましょう。ご存知の通り、当社はSDV技術およびソリューションのリーダー的存在です。それが、先ほどお話しいただいた内容とどのように関連しているのでしょうか？

そうですね。Sonatus には、こうしたさまざまなカテゴリーに分類される数多くの製品があります。当社にとっての起点となるのは、車載EEアーキテクチャに焦点を当てた「Foundation」という製品です。これは基本的に、ネットワークトラフィックの制御を行い、特定のユースケースや車両構成のニーズに合わせて最適化できるよう、ネットワークの要素を動的に変更することを目的としています。

また、当社の「Collector」という製品もあり、これは基本的に、お客様が必要に応じて、必要な時に車両からデータを収集できるようにするものです。つまり、すべてを取得するか、まったく取得しないかの二者択一ではなく、必要な時に必要なデータだけを、それ以外の時は取得せずに済みます。 これらは、AI を車内に導入するための鍵となる機能であり、その次のステップ、つまりお客様が車内で何らかのアクションを実行したいという場面でも非常に重要です。そこで、当社には「Automator」という製品があります。これは、車内で特定のトリガー条件が満たされた際に、何らかの作動を行ったり、車内の別の場所に信号を送信して利用できるようにする設定を可能にするものです。

そして、これはまさに、AI モデルが車両自体に導入されるようになったことで、ある場所と別の場所との間で通信するために利用できる出力や車両信号の選択肢が、かなり広がったという好例の一つです。つまり、AI モデルの出力を、あたかも車両内で生成された信号であるかのように扱い、それを別の場所で利用したり、他の目的のためにクラウドに送り返したりすることができるのです。まるで本物のエージェントのようなものですよね？

それは、仮想世界やデジタル世界と現実世界を結びつけることです。間違いなく。その通りです。そして、ご存知のように、クラウド上のAI を活用すれば、もちろん、その上でさらに高度なインテリジェンスを実現することができます。

つまり、こうしたLLMは、その振る舞いや思考の仕方において、人間により近いものになっています。そこで、車内で起きている状況を診断し、より賢明な行動をとるような機能を追加し始めているわけです。ええ。つまり、私たちはその方向性に向かっていると見ています。

もちろんです。それから、もちろん、当社独自のOTAである「Updater」もあります。これは、車両のライフサイクル全体を通じてモデルを更新する上で重要な役割を果たしています。

その通りです。決して軽視してはなりません。UpdaterのようなOTAソリューションは、そのモデルを車内で動作させる必要がある場所へ展開するだけでなく、そこで行われる他のすべての操作を保護するためのコンテナ化された環境を提供するという点でも、極めて重要です。

16:22 まとめと今後の展望

スティーブ、とてもためになる話し合いでしたね。今回の対談、本当に楽しかったです。ポッドキャストにご出演いただき、改めてありがとうございました。

サンジェイ、ありがとう。感謝しています。

まあ、そういうことですね。

私たちは、自動車が単なるモビリティの革新のプラットフォームにとどまらず、「AI 」による革新の基盤ともなる未来を心待ちにしています。今後のエピソードでは、SDV技術とAI の交点についてさらに深く掘り下げ、それがモビリティの未来をどのように真に変革していくのかについて解説していきますので、ぜひご期待ください。