自律走行技術（AV）の業界地図が、静かに、しかし劇的に書き換わろうとしています。
カナダ発のスタートアップWaabiは、シリーズCなどで合計10億ドル（約1,600億円）もの巨額資金を調達し、これまでトラック輸送に限定していた領域を一気にロボタクシーへと拡大すると発表しました。特筆すべきは、Uberとの戦略的提携です。Uberは今後数年間でWaabiのAIドライバーを搭載した車両を2万5,000台以上導入する計画を明らかにしました。
このニュースの本質は、単なる「大型調達」や「新規参入」ではありません。「実走行データの量」を競争優位としてきた従来の開発モデル（AV 1.0）が、「生成AIとシミュレーション」を核とする新モデル（AV 2.0）によって陳腐化し始めたという構造転換の決定打です。
本稿では、Waabiが提示する「実車レス」の開発アプローチの技術的詳細と、それがUberのようなプラットフォーマーに選ばれた理由、そして技術責任者が直視すべき「AV 2.0時代の新たなボトルネック」について深掘りします。
1. インパクト要約：AV 1.0の限界と「資本効率」という新ルール
これまで自動運転開発の常識は、「いかに多くの公道を走り、いかに多くのコーナーケース（稀な事象）を物理的に経験するか」にありました。WaymoやCruise、そしてAurora Innovationなどは、巨額の資金を投じてテスト車両を走らせ、人海戦術でデータをラベリングしてきました。これを「AV 1.0」と呼びます。
しかし、Waabiのアプローチは真逆です。彼らは実走行データを最小限に留め、デジタルツイン上のシミュレーションだけでAIを訓練します。
これまでの限界（AV 1.0）:
* 物理的な走行距離に比例してコストが増大する。
* 事故や災害など、現実で起こすわけにいかない状況のデータ収集が困難。
* 新しい都市へ展開するたびに、再度のマッピングと実証実験が必要（スケーラビリティの欠如）。
Waabiが変えたルール（AV 2.0）:
* 生成AIによる無限のシナリオ生成: 遭遇していない事故状況をデジタル空間で無数に生成し、学習させる。
* 汎用単一スタック: トラック用に開発したAIを、ほぼそのままロボタクシー（乗用車）に転用可能とした。
* 圧倒的な資本効率: 競合のAuroraが34億ドル以上を費やしているのに対し、Waabiは12.8億ドルで商用化フェーズへ到達しようとしている。
Uberにとって、自社開発（ATG部門）を売却して以来の課題であった「スケーラブルなAIドライバーの確保」に対し、Waabiは最も投資対効果の高い解として映ったのです。これは、プラットフォーマーがハードウェアやAI開発のリスクを切り離し、「優れたAIスタックをライセンス購入する」という産業構造への収斂を示唆しています。
関連して、テスラの動向も無視できません。彼らもまた、カメラ映像のみを用いたEnd-to-End学習へとシフトしていますが、アプローチは異なります。
関連記事: テスラRobotaxiとFSDの技術的現在地｜オースティン無人走行と中国認可のリアリティ
2. 技術的特異点：なぜ「Waabi World」は機能するのか？
Waabiのコア技術は、AI主導型シミュレーター「Waabi World」にあります。従来のシミュレーターと何が違うのか、エンジニア視点で分解します。
閉ループ（Closed-Loop）かつ反応的な世界
従来のシミュレーターの多くは、記録されたログを再生する「リプレイ型」でした。他車や歩行者は、記録通りにしか動きません。対してWaabi Worldは、ゲームエンジンのように物理法則とAIエージェントがリアルタイムに相互作用する「閉ループ型」です。
- Generative AIの活用: シナリオを記述するのではなく、生成AIが「雨の夜、急に飛び出す歩行者」といった状況を自動生成します。
- センサーレベルの再現: カメラやLiDARの入力データ（Raw Data）を、レイトレーシング技術等を用いてリアルタイムに合成します。これにより、実車センサーとシミュレーター上のデータの差異（Domain Gap）を極小化しています。
汎用的なAIスタック
WaabiのCEO、Raquel Urtasun氏は「単一のAIスタックでトラックもロボタクシーも制御する」と明言しています。これは、AIが「車両の運動特性（キネマティクス）」と「運転判断（ポリシー）」を分離、あるいは高度に抽象化して学習していることを意味します。
トラックは制動距離が長く、死角が多い。乗用車は機敏だが、人混みの中を走る必要がある。これらを別のソフトウェアとして開発するのではなく、パラメータの違いとして吸収できるアーキテクチャこそが、Waabiの真のIP（知的財産）です。
この「シミュレーション内で物理法則を学び、汎用性を獲得する」というアプローチは、ロボティクス分野における「世界モデル」の概念と直結します。
関連記事: 1X World Modelの仕組みと衝撃｜動画学習でNEOが獲得した「汎用性」と次なる技術的課題
AV 1.0 vs AV 2.0 技術比較
| 比較項目 | AV 1.0 (Waymo, Cruise等) | AV 2.0 (Waabi) |
|---|---|---|
| 開発思想 | ルールベース + 部分的ML | End-to-End AI + 生成的シミュレーション |
| データソース | 実走行データへの依存度「高」 | 合成データ（シミュレーション）が主 |
| エッジケース対応 | 発生待ち（偶発的遭遇） | 生成AIによる意図的な大量生成 |
| スケーラビリティ | 都市ごとのチューニングが必要 | デジタルツインさえあれば即展開可能 |
| センサー構成 | 高価なLiDAR/Radar満載 | 比較的軽量（AIの補完能力が高い） |
| 主なボトルネック | ラベリングコスト、実証実験の時間 | シミュレーターの忠実度（Fidelity） |
この表からも分かるように、AV 2.0はソフトウェア産業の強みである「コピーの容易さ」と「限界費用ゼロ」の特性をハードウェア制御に持ち込んでいます。
3. 次なる課題：Sim-to-Realの「残り1%」の壁
シミュレーション完結型のアプローチは理想的ですが、実用化にはまだ高いハードルがあります。課題は「99%の精度」ではなく、現実世界特有の「汚れた残り1%」にあります。
1. センサーノイズと環境外乱のモデリング
シミュレーター上の雨は「計算された雨」です。しかし、現実の雨はセンサーのレンズに不規則に付着し、乱反射を起こし、泥を跳ね上げます。また、対向車のヘッドライトによるハレーションや、西日によるカメラのホワイトアウトなど、物理現象としての「ノイズ」をどこまで完璧に再現できるかが鍵です。
Waabiは「ニューラルレンダリング」を用いてこれを解決しようとしていますが、実世界特有の「説明不可能なノイズ」に対するロバスト性は、実車投入規模が拡大した瞬間に試されることになります。
2. 人間の「非合理性」の再現
Waabi World内のAIエージェント（歩行者や他車）は、ある程度合理的に動くように設計されているはずです。しかし、現実の人間は非合理的です。
* 意味もなく車道で立ち止まる人
* ルールを無視する自転車
* アイコンタクトによる譲り合い
これらの「暗黙のコミュニケーション」や「カオス」をシミュレータだけで学習しきれるのか。テスラがFSDで苦戦しているのも、この「人間らしい曖昧さ」の処理です。
関連記事: テスラFSDの課題とHW3の技術的限界｜「運転する楽しさ」から「監視する負荷」への変質
3. 計算リソースの爆発
生成AIを用いてリアルタイムに高精細なシミュレーションを行うには、膨大な計算リソースが必要です。実車の走行コストは削減できても、NVIDIAのH100/BlackwellクラスのGPUクラスタへの投資が青天井になるリスクがあります。WaabiにNVIDIAが出資しているのは、この「計算需要」を見越してのことでしょう。
4. 今後の注目ポイント：事業責任者が追うべきKPI
WaabiとUberの提携が成功するか否かを見極めるために、抽象的な「期待」ではなく、以下の具体的な指標（KPI）に注目すべきです。
1. Zero-Shot Deploymentの成功率
新しい都市（例えばダラスやヒューストン）に展開する際、「事前の実走行テスト期間」がどれだけ短縮されるか。
* 観測点: Waabi搭載車両が配備されてから、商用運行開始までのリードタイム。これが数週間〜1ヶ月レベルであれば、Waabi Worldの汎用性は本物です。
2. Disengagement Rate（解除率）の質
単なる解除回数ではなく、「シミュレーションで学習済みのはずのシナリオ」で解除が起きたかどうかが重要です。
* 観測点: 未知の物体（Unseen Object）による解除なのか、既知のパターンの認識ミスなのか。後者であれば、シミュレーターと現実の乖離（Sim-to-Real Gap）が埋まっていない証拠です。
3. Uber以外のプラットフォームへの展開
Waabiの戦略が「Android」モデル（OSの提供）であるなら、Uber以外のOEMや物流企業との提携が続くはずです。
* 観測点: Volvo（出資元）以外のトラックメーカーや、他の配車アプリとの提携発表。これがなければ、単なる「Uberの下請け開発部隊」に留まるリスクがあります。
5. 結論：データ収集競争の終わりと「世界モデル」競争の始まり
WaabiとUberの提携は、自動運転技術が「力技の実験」から「知的なシミュレーション」へとフェーズ移行したことを告げる号砲です。
技術責任者や経営層にとっての示唆は明確です。
もはや、「どれだけのデータを保有しているか」は競争力の核心ではありません。「そのデータを使って、どれだけ高精度な世界モデル（シミュレーター）を構築できるか」が勝敗を分けます。
実走行データは「過去」の記録に過ぎませんが、生成AI駆動のシミュレーターは「未来」のシナリオを生み出します。ヤン・ルカン氏が提唱する「AMI Labs」のような物理世界を理解するAIへの投資や研究は、自動運転に限らず、倉庫ロボットやヒューマノイド開発においても、今後数年の最重要テーマとなるでしょう。
関連記事: ヤン・ルカン「AMI Labs」と世界モデルの衝撃｜LLMの限界を超える物理知能の仕組みと実装ロードマップ
Waabiの2万5,000台が路上に出たとき、我々は初めて「シミュレーションで育ったAI」が現実の複雑さに打ち勝つ瞬間を目撃することになります。その成否は、すべての物理AI開発者にとっての試金石となるはずです。
