Waymo・Tesla・Wayveは何が違うのか――中国勢も含めて考える自動運転の道筋【第2回】

前回は、自動運転の現在地を米国・中国・日本の事例から整理した。人間が運転しない移動サービスはすでに存在するが、利用できる地域や条件は残っている。そして、同じ「自動運転」という言葉でも、市販車の運転支援と、運転者を置かないサービスでは意味が違う。

今回は、その中身を見ていきたい。

ぼくが特に気になるのは、カメラで周囲を見て、AIが判断する方式だ。人間は初めての町でも、標識や道路、ほかの車の動きを見ながら運転できる。AIがそれに近いことをできるようになれば、自動運転の広がり方は大きく変わるだろう。

そのとき、地域ごとの準備を重ねる方式はどうなるのか。先に実用化した側が優位を保つのか、それとも別の方式が一気に追い越すのか。今回はその問いを、各社の公開資料を手がかりに考える。

※2026年9月11日までに確認できた情報に基づく。技術の説明は各社の公開範囲に限られ、企業の性能評価や将来の見通しは独立した検証結果と区別する。

比較する軸は、カメラの数だけではない

まず、自動運転の「方式」は一つの軸では整理できない。

比較する軸	確認したいこと
周囲を捉える手段	カメラ、LiDAR、レーダーなど、何を使って情報を得るか
地図の使い方	詳細な事前地図をどの程度必要とするか
学習と判断	運転のどの部分をAIが学び、どのように判断を組み立てるか
安全を支える仕組み	判断の誤りや機器の故障をどう検出し、どう対応するか
他地域への展開	新しい場所で何を追加学習・検証・整備する必要があるか
事業の形	車とソフトを提供するのか、運行サービスを提供するのか

この表は、本稿で比較するための整理である。

例えば、詳細な地図を使わないAIでも、センサーを複数使う設計は可能だ。カメラ中心の方式でも、運行地域を制限してサービスを提供することはある。AIを大規模に使うことと、安全確認のための別の仕組みを設けることも両立する。

「地図を使う従来方式」と「AIが判断する新方式」という二分法では、現在の各社の違いを捉えきれない。

Waymo――複数の情報とAIを組み合わせる

Waymoは、カメラ、LiDAR、レーダーを組み合わせている。カメラは画像、LiDARはレーザー光による距離や形状、レーダーは電波による距離や相対速度などを手がかりにする。得意な情報の異なるセンサーを使う考え方だ。

同社は2026年8月の技術解説で、HDマップを事前の参考情報として扱い、走行中のセンサー情報と合わせて利用すると説明している。地図を、道路上で起こるすべてを記録した台本として使うわけではない。Waymoの技術解説

例えば地図に道路の形状があっても、その場に歩行者がいるか、車が停まっているかは、そのときの観測が必要になる。この区別は、Waymoの方式を考える上で重要だ。

さらに、Waymoは基盤モデルを運転、シミュレーション、評価に活用し、運転時には提案された走行経路を別の検証層で確かめる構成を公表している。学習の際には、モデルの構成要素をまたいだエンドツーエンドの最適化も使うという。WaymoのAI構成の説明

したがって、WaymoはAIの進歩を待たずに地図だけで走る方式、という理解は適切ではない。詳細な事前情報、複数のセンサー、学習するAI、安全確認の仕組みを組み合わせている。

ここからはぼくの考察だが、この方式の評価では、追加する情報がどれだけ安全性や運行の安定に役立つかと、そのための費用や準備がどれだけ必要かを一緒に見たい。情報が多いことには価値がありうるが、多ければ無条件によいとも限らない。

Tesla――視覚を中心に、車両群から学ぶ

Teslaは、視覚と経路計画のAIを重視する方針を掲げている。公式のAI紹介では、複数カメラの映像から道路や物体を捉え、車両群から得た多様な状況を学習に利用する仕組みを説明している。TeslaのAI紹介

ただし、この紹介ページを、2026年のすべての製品に共通する内部構成図とみなすことはできない。ソフトウェアは変わり、一般公開されていない部分もある。本稿では、視覚中心の認識と車両群を使った学習という基本方針を読み取る資料として扱う。

ぼくがこの路線に期待する理由は、車載AIが道路の読み方を身につければ、一つの場所で得た学習を別の場所へ生かせる可能性があるからだ。場所ごとの細かな準備が減り、車両の装備も比較的単純にできるなら、広く普及させる上で有利になりうる。

ただし、これは成功した場合の利点である。カメラ中心だから低コストになるはずだ、という見通しを、そのまま無人サービス全体の採算と結びつけることはできない。計算機、学習、検証、整備、遠隔支援などの費用も考える必要がある。

現在の製品にも区別がある。市販車向けFSD（Supervised）は人間の監視を必要とする。一方、CybercabはRobotaxi向けの車両で、公式案内の利用範囲はオースティンの限定地域だ。FSDの利用条件、Cybercabの案内

視覚中心の方式を採ることと、地域を問わず人間の運転対応を不要にできることは、まだ別々に確かめなくてはいけない。

「人間も目で運転する」は、有力な着想だ

人間が主に視覚から運転しているのだから、AIもカメラの映像から運転できるのではないか。この発想には説得力がある。ぼくも、そこに可能性を感じる。

ただ、人間ができることは、特定のカメラとAIの組み合わせが同じことを達成した証明にはならない。

人間の運転には、目の前の画像を認識することに加え、過去の経験、状況の解釈、先の予測が関わる。見通しが悪いなら速度を落とし、相手の意図が分からなければ待つ。必要な情報が足りないという判断も、運転能力の一部だ。

AIについても、物体が何か分かるだけでなく、どの程度確かに分かっているか、その不確かさの中でどう動くかが問題になる。

ぼくはここを、カメラ方式を否定する理由ではなく、何を達成すれば期待が確信に近づくのかという問いとして見たい。

E2Eは、運転のつながりを学ぶ考え方

この分野でよく出てくるのが、エンドツーエンド、略してE2Eという言葉だ。

自動運転は概念上、周囲を認識し、相手の動きを予測し、自分の進路を決め、車を操作する、という仕事に分けられる。E2Eでは、それらのつながりを含めて学習・最適化する範囲を広げる。

Wayveは、センサー入力から運転出力へつなぐニューラルネットワークを、自社方式の中心として説明している。Wayveの技術紹介

ただし、E2Eという言葉が使われていても、入力や出力、途中の表現、安全確認の仕組みまで各社共通という意味ではない。AIが出力するものも、ハンドルの角度そのものとは限らず、車がこれから通る経路などの場合がある。

また、E2Eは「ルールも安全装置も一切ない」という意味でもない。学習の設計と、実際の製品を安全に動かすための構成は分けて読む必要がある。

Wayve――さまざまな車に載せるAIドライバー

Wayveの特徴は、HDマップへの依存を避けながら、車種やセンサー構成の異なる車に対応するAIを目指している点にある。Teslaと近い問題意識はあるが、「カメラだけのTesla方式」と同一視するのは正確ではない。Wayveは、メーカー側が必要に応じてセンサーを選べる柔軟性を説明している。Wayveの技術方針

製品としても、AIモデルだけでなく、安全機構、車との接続機能、データ収集などを含むプラットフォームを掲げる。自社ブランドの車を広げるTeslaとは、提供するものの形が違う。Wayve AI Driverの説明

同社は世界500都市で、地域ごとの追加調整を行わず、一つのモデルで走行したと公表している。これは汎化、つまり学習した能力を別の環境でも使う力を確かめる取り組みとして興味深い。ただし、企業の試験報告であり、500都市で人間の監視なしの営業運行を達成したという意味ではない。WayveのAI-500報告

実際、2026年9月に始まったロンドンのUberとのサービスは、開始段階では訓練を受けた運転者が同乗して監督する形だ。Wayveのサービス開始発表

ここには、将来への期待を持てる材料と、なお確認すべき距離が同時に見える。知らない場所で走れることと、その場所で人間の対応を不要にできることの間を、どのように埋めるのかが次の焦点になる。

中国勢――センサーの多さとAIの進歩は両立する

中国勢も、一つの方式では括れない。ここでは、技術構成を確認できたPony.aiを中心に、Apollo Goの展開も合わせて考える。

Pony.aiは公式技術ページで、LiDAR、レーダー、カメラの組み合わせや位置推定・地図を説明し、計算機、操舵、ブレーキ、電源などの冗長性も掲げている。冗長性とは、一部が故障しても対応できるよう、予備や別経路の機能を用意することだ。Pony.aiの技術説明

一方、2026年のPonyWorld 2.0の説明では、実走行データを仮想環境で再構成し、状況を変えた訓練や強化学習に使う取り組みを紹介している。複数センサーを使うことと、AIで学習や開発を高度化することは両立している。Pony.aiのPonyWorld 2.0解説

また同社は、第7世代車両による費用低減と運行効率の改善を報告し、海外では技術提供、配車、現地の運行を分担する事業モデルを説明している。広州と深圳でのユニットエコノミクスの損益均衡も同社の主張に含まれるが、これは会社全体の黒字化と同じではない。Pony.aiの2026年第2四半期に関する発表

BaiduのApollo Goも、2026年8月の資料では、海外展開の中に無人商用運行と公道試験の両方を挙げている。進出先の数だけを比べるより、どの段階まで進んでいるかを確認したい。Baiduの決算資料

中国から見えてくるのは、カメラだけに絞る以外にも、車両の量産、学習の効率化、現地企業との分担によって普及を進めようとする道があるということだ。こうした取り組みがどこまで費用を下げるかも、方式の将来を左右する。

各社の違いを、ひとまず並べてみる

次の表は、ここまでの公開資料を基にした整理だ。製品世代や地域によって異なる部分があり、すべての内部仕様を表すものではない。

対象	技術面で重視すること	広げ方の特徴	次に確かめたいこと
Waymo	複数センサー、HDマップ、基盤モデル、独立した検証層	地域で検証した無人サービスを順次展開	地域追加の準備や費用をどこまで減らせるか
Tesla	視覚中心のAIと車両群からの学習	市販車とRobotaxiの両方で技術を展開	人間の監視が不要な条件をどこまで広げられるか
Wayve	HDマップに依存しないE2E、車種・センサーへの柔軟性	他社の車両や配車サービスと組み合わせる	汎化の試験実績を無人運行へどうつなげるか
Pony.ai	複数センサー、冗長設計、世界モデルを使う学習	車両メーカー・配車・現地運行企業と分担	安全性を保ち、車両と運行の費用を下げられるか

Apollo Goをこの表に無理に入れていないのは、今回確認できた資料では、同じ粒度で最新の技術構成を整理できなかったためだ。会社名が増えることより、比較する根拠をそろえることを優先した。

Waymo方式の将来を決めるのは、地図の有無だけか

ここからは、ぼくが最初に気になっていた問いに戻る。

もし、詳細な事前地図への依存が小さく、装備も少ない方式が、広い環境で同等以上の安全性と運行品質を実現したらどうなるか。その場合、地域ごとに準備を重ねる方式は、費用や展開速度の面で厳しい競争を迫られるだろう。

この意味で、「現在の先行方式が、将来も有利とは限らない」という見方には十分な理由がある。ぼくも、ここに技術の転換が起こる可能性を感じる。

ただし、この予測が成り立つには条件がある。安い装備で走れるだけでなく、故障時にも対応でき、まれな事態で過度に人手を必要とせず、新しい土地でも安全性を確認できなくてはいけない。

そして比較相手も変わる。WaymoがAIを改良し、地図作成や検証の負担を減らし、センサーや車両の費用を下げる可能性も考える必要がある。現在の方式が将来まで同じ費用構造のまま残ると仮定しては、比較を誤る。

だからぼくは、「地図を使うから袋小路か」という問いを、「安全に走れる場所を増やすための負担を、どちらが速く減らせるか」と置き換えてみたい。これは結論を曖昧にするためではなく、優劣を確かめる項目を具体的にするためだ。

カメラだけで走れた先に、レベル5はあるのか

カメラ中心の方式が成功すれば、レベル5への道が開けるかもしれない。ただ、カメラで走れることと、あらゆる人間の運転可能な道路・環境条件をカバーすることは、同じ達成ではない。

レベルはセンサーの種類ではなく、人間とシステムの役割、作動する条件によって区別される。カメラ中心でも条件付きのレベル4はありうるし、複数センサーを使うこと自体がレベル5への妨げになるわけでもない。NHTSAの分類の説明

ぼくが期待するのは、カメラの数を減らすことそのものではない。AIが状況を理解し、学習していない場所でも適切に振る舞い、人間に代わって運転を担える範囲が広がることだ。

その進歩は、E2Eだけから生まれるのか。世界モデルやシミュレーション、安全確認の技術との組み合わせから生まれるのか。今回の資料を見ると、実際の開発は複数の方向からそこへ近づこうとしているように見える。

ぼくの楽観は、方式の名前より学習の広がりにある

調べてみて、ぼくの期待は少し具体的になった。

一つの町で得た経験を、次の町へ持ち出せること。現実で集めにくい場面を仮想環境で試せること。失敗や弱点を見つけ、次の学習に生かす工程を効率化できること。こうした進歩が重なれば、普及の壁は思ったより早く低くなるかもしれない。

ただし、試験で走れた都市数が増えたことと、そこで人間を不要にできることは同じではない。その差を埋める証拠が、今後どこまで示されるかを見たい。

方式の比較で見えてきたのは、AIの能力だけでなく、安全に任せられると確かめる方法も競争の中心にあるということだ。

次回は、レベル4からレベル5への距離を考える。普段の運転が上手にできるAIに、なお何が必要なのか。そして、そう遠くない将来にその隔たりが縮まるという見通しを、どこまで現在の研究や実績で支えられるのかを掘り下げる。