2025年第4四半期、テスラが発表した決算数値は、自動車業界のみならずAI技術界隈に静かな衝撃を与えました。営業費用が前年比39%増、営業利益が11%減。この財務バランスの悪化の主因は、販売不振ではなく「AI学習コストの暴騰」にあります。
イーロン・マスクが長年提唱してきた「Lidar不要、カメラのみ（Vision Only）で完全自動運転を実現する」という戦略は、車両側のBOM（部品表）コストを劇的に下げた一方で、バックエンドの計算コストを指数関数的に押し上げる結果を招きました。
本稿では、テスラが直面している「スケーリングの罠」と、それを突破するために建設中の「Cortex 2」、そして軌道修正を余儀なくされたロボタクシー戦略の実態について、技術アナリストの視点から解説します。
1. インパクト要約：ハードウェアからクラウドへのコスト転移
テスラの「Forget Sensors（センサー排除）」戦略の前後で、自動運転開発のゲームルールは以下のように変化しました。
-
これまでの常識:
- ボトルネック: 車両搭載センサー（Lidar等）の高価格。
- コスト構造: 車両台数に比例してハードウェアコストが増加（Edge Heavy）。
- アプローチ: ルールベース制御とセンサーフュージョンによる安全性確保。
-
現在のテスラの現実:
- ボトルネック: 膨大な映像データを処理・学習するためのAI計算資源。
- コスト構造: 車両が安くても、フリートが広がるほど学習コストが指数関数的に増大（Cloud Heavy）。
- アプローチ: End-to-Endニューラルネットワークによる「経験則」の獲得。
テスラは車両単体の製造コスト削減には成功しましたが、その代償として「世界中の走行映像を学習し続ける」という、終わりのない計算資源競争に突入しました。これはAIインフラ巨額投資と自律走行の「物理実装」でも指摘した通り、競争の軸足が「車載技術」から「データセンターの規模」へ完全に移行したことを意味します。
2. 技術的特異点：なぜ今、計算コストが爆発したのか
このコスト構造の変化は、テスラがFSD（Full Self-Driving）v12以降で採用した「End-to-End ニューラルネットワーク」に起因します。
2.1 決定的な違い：ルール記述から動画学習へ
従来の自動運転（およびWaymo等のLidar派）は、知覚・予測・計画といったモジュールごとにエンジニアがコードを書いていました。対してテスラの最新アプローチは、カメラからの生映像を入力し、ステアリングやペダル操作を直接出力します。
- 従来（Lidar派）: 点群データ（データ量は軽量）と高精度地図を使用。計算負荷は比較的低いが、センサーが高価。
- テスラ（Vision派）: 8台のカメラからの高解像度動画（データ量は巨大）を学習。センサーは安価だが、学習にはスーパーコンピュータが必須。
「人間が目で見て運転できるなら、AIもカメラだけで運転できるはずだ」という仮説は、理論上は正しいものの、それを実現するには人間脳に匹敵する、あるいはそれを凌駕する計算リソースが必要であることが露呈しました。
2.2 Cortex 2：ギガファクトリーの「脳」
この計算需要に応えるため、テスラはテキサス工場（Giga Texas）にて巨大データセンター「Cortex 2」を建設中です。
【AI計算基盤の拡張計画】
* 目標: 2026年上半期中にAI計算能力を2倍以上に拡大。
* 換算指標: NVIDIA H100 GPU換算での計算力。
* 目的: 既存のFSDモデルの精度向上および、次世代基盤モデルの学習。
* 資金源: xAI社への追加投資（20億ドル規模）とも連動し、グループ全体で計算資源を確保。
ここで重要なのは、単にGPUを並べるだけでなく、電力供給と冷却システムが物理的な制約（壁）になりつつある点です。物理AIが直面する「3つの壁」でも触れたように、ソフトウェアの進化速度にインフラの物理構築が追いつかない状況が発生しています。
3. 次なる課題：スケーリングの罠と戦略修正
計算能力を倍増させれば、自動運転は完成するのでしょうか？ 残念ながら、テスラの最新の動向は「No」を示唆しています。
3.1 「全車両ロボタクシー化」の事実上の撤回
かつてイーロン・マスクは「販売した数百万台のテスラ車が、ソフトウェア更新だけでロボタクシーになり、オーナーに収益をもたらす」と語りました。しかし、最新の計画（2025年Q4時点）では、そのトーンは劇的に後退しています。
- 変更前: 全米・全世界の既存フリートで一斉にサービス開始。
- 変更後: 2026年末までに10都市未満での限定展開。
- 実態: Waymoと同様の「ジオフェンス（地理的制限）付き」展開への戦略転換。
これは、汎用的なAIモデルであっても、未知の環境（Long tail edge cases）への適応には限界があり、特定都市の詳細な学習（過学習に近い最適化）なしには無人運転の安全性担保が困難であることを認めた形です。
3.2 コスト構造の比較表
「センサーあり」と「センサーなし」のコストと課題の比較は以下の通りです。
| 比較項目 | テスラ (Vision Only) | Waymo等 (Lidar + Map) |
|---|---|---|
| 車両コスト (BOM) | 低 (カメラのみ) | 高 (Lidar等の高額センサー) |
| AI学習コスト (OPEX) | 極大 (動画処理・生成AI) | 中 (点群処理・ルールベース併用) |
| 展開エリア | 理論上はどこでも (General) | 高精度地図がある場所のみ (Specific) |
| 現状の展開戦略 | 特定都市へ限定 (後退) | 特定都市から徐々に拡大 |
| 最大の課題 | 「幻覚」と未学習シナリオへの対応 | センサーコストの低減と地図更新 |
テスラRobotaxiとFSDの技術的現在地で詳述した通り、オースティンでの無人試験走行においてさえ、依然として有人車両による追走監視が必要な段階にあります。AIへの投資額と、実際の路上での無人化レベルにはまだ乖離があります。
4. 今後の注目ポイント：技術責任者が追うべきKPI
テスラの「Cortex 2」稼働とロボタクシー展開について、今後1〜2年で注視すべきは以下の指標です。
-
MPD (Miles Per Disengagement) の都市別データ
- 全米平均の介入率ではなく、「ロボタクシー展開予定都市（テキサスやカリフォルニア）」での介入率が重要です。Waymo等の競合は数万マイル無介入を達成していますが、テスラがカメラのみで同水準に達するかどうかが技術的な分岐点です。
-
Cortex 2 の稼働率と電力消費
- 2026年上期の稼働開始がオンタイムで行われるか。遅延する場合、AIモデルの学習サイクルが鈍化し、L4実装時期がさらに後ろ倒しになります。
-
HW3/HW4 車両の互換性維持
- 最新のAIモデルが、既存の古いハードウェア（HW3搭載車）で動作し続けるか、それとも切り捨てられるか。これはテスラの既存ビジネスモデル（FSD販売）の信頼性を左右します。
5. 結論：二極化する自動運転開発
テスラの事例は、エッジ（車両）のコストを削れば、そのしわ寄せがクラウド（学習）に倍返しでやってくるという「保存則」のような教訓を業界に突きつけています。
今後、自動運転開発は以下の二極化が加速します。
- インフラ垂直統合型: テスラやGoogleのように、自社で巨大な計算センターとAIチップを保有し、End-to-End学習を回せる「国家予算規模」のテックジャイアント。
- プラットフォーム依存型: 自社でのL4/L5開発を諦め、NVIDIAやMobileye、あるいはWaymoのシステムを購入して統合する伝統的自動車メーカー（OEM）。
中堅メーカーやサプライヤーにとって、自前でのEnd-to-End自動運転開発は、もはや財務的に正当化できない領域に入りつつあります。技術責任者は、自社が「AIインフラ」に数百億ドル投資できるプレイヤーなのか、それとも「良質な実装者」に徹すべきなのか、冷徹な判断を下すべき時期（撤退ライン）が、当初の予測より3年前倒しで到来しています。
