「カメラ7台」で完全自動運転を狙うチューリング——センサーを減らしてAIを増やす、この逆張りは本物か
何の話か——「センサーを減らす」という逆張り
ミニバンの運転席に人が座っている。ハンドルには触れていない。アクセルも、ブレーキも同様だ。大阪・梅田の市街地を、その車は信号で止まり、右左折で歩行者を待ち、狭い路地を人の間を縫って走り抜ける。
これが、2021年設立の自動運転スタートアップ、Turing（チューリング）が実現していることだ。
「We Overtake Tesla」——テスラを超える——を正式なミッションとして掲げるスタートアップがあると聞いて、半笑いで流せるかどうかは、その手段をちゃんと読んでから判断した方がいい。
業界の「常識」はこうだった。自動運転車には、LiDAR（ライダー）やレーダーを複数組み合わせ、センサーで安全を担保する。屋根の上にくるくる回る装置が乗っているあのイメージだ。
チューリングは、その常識の逆を行く。トヨタ「アルファード」の市販車を改良し、搭載するのはカメラ7台（前方2台、左右4台、後方1台）と、揺れや加速を測るセンサー、衛星測位の受信機、そして車載計算機のみ。LiDARはない。
「AIの部分の性能をひたすら上げれば、センサーがたくさんなくても、センサーが高性能でなくても、市街地で非常に滑らかな自動運転ができると信じて、ここまで開発してきた」
これは執行役員兼CTOの山口祐氏の言葉だ。信念として語っているが、東京・大阪を含む国内5都市での試験走行がそれを裏打ちしはじめている。
なぜ今これが重要か——「AI vs センサー」という本質的な選択
自動運転の開発方針は、大きく二つの哲学に分かれる。
一つは「センサーを増やして環境を正確に把握する」流儀。もう一つは「AIを賢くして少ない情報から判断させる」流儀だ。前者の代表例はWaymoで、後者の先駆けがテスラ——そしてチューリングは、テスラよりもさらに純粋にAI寄りの立場をとっている。
この選択は、コスト構造と開発速度に直結する。LiDARは高価で、大量のセンサーを搭載すれば車両コストは跳ね上がる。一方でカメラ中心の構成なら、原理的にはコストを大幅に抑えられる。問題は、そのぶんAIに求められる能力が桁違いに高くなることだ。
チューリングが採用しているのが「E2E（エンドツーエンド）自動運転」と呼ばれる技術だ。従来の自動運転は「センサーで環境認識→地図と照合→経路計画→操作指令」と処理を分割していた。E2Eはこれをひとつのニューラルネットワークで一気通貫に処理する。中間に人間が定義したルールを挟まない。
良く言えば柔軟で汎用的。悪く言えば、「なぜその判断をしたか」を人間の言葉で説明しづらい。この点は後で重要になる。
事実の整理——大阪の初見道路で何が起きたか
記事の中で最も印象的な事実はここだ。
「ほとんど東京のデータでしか学習していない。全く見たことがない道を初見で走って、このくらいの性能が出ている」（山口氏）
大阪の試験走行は、チューリングのAIにとって「初見」だった。東京で集めたデータを学習したモデルが、一度も走ったことのない大阪の道を自律走行できた、ということだ。
これは、このシステムが単純な「ルート記憶」や「精密地図への依存」ではなく、環境の構造を汎化して学習していることを示唆する。少なくとも試験走行の範囲では。
一方で、開発の道は単純ではなかった。AIの性能を上げるためには膨大な走行データが必要だが、データ量とGPUの数をただ増やすだけでは「開発のスピードが上がらなかった」と山口氏は認めている。「GPUより速いチップ」を使った開発アプローチが突破口になったと記事は示唆しているが、具体的な技術構成の詳細はこの記事では明かされていない。（記事の取材元はGoogle Cloud Next Tokyo 26のセッションであり、クラウド側のアーキテクチャとの絡みで語られている内容だ）
ここからは見方——この戦略の「構造的な意味」
チューリングとテスラの比較は、単なる競合関係ではなく、自動運転産業における「どこで差別化を作るか」という根本的な問いへの異なる答えだ。
テスラは車体設計から製造まで自社で持つ。ハードとソフトの垂直統合で、制御できる変数を最大化する戦略だ。一方チューリングは市販車に相乗りし、ソフト（AI）の性能だけで勝負する。投資する場所を極端に絞ることで、スタートアップとして戦える「重さ」に自分たちを保とうとしている。
この軽量化戦略には明確な賭けが含まれる。「AIがセンサーの代わりを十分に果たせる」という前提が崩れれば、手元にはカメラと計算機しかない。その意味では、技術的な賭けであると同時に、事業モデルの賭けでもある。
ただ、この方向性には業界の潮流との一致がある。テスラも、初期にLiDARを使っていたものの撤退し、カメラ中心に切り替えた。市場全体として「センサーをたくさん積む」方向から「AIをもっと賢くする」方向へと引力が働いている。チューリングはその極点にいる、と読める。
もう一点、見落とされがちな構造的なポイントがある。データの話だ。
チューリングのシステムが大阪の初見道路を走れた背景には、「東京での膨大な走行データを学習し続ける仕組み」がある。これは一度作れば終わりではなく、走れば走るほど強くなるループだ。スタートアップが自動運転で戦うなら、技術と同時にデータ取得のサイクルをどう回すか、がまさに競争力の源泉になる。
今後の論点——ここが次に問われる
率直に言って、「東京データで大阪を走れた」は印象的だが、商業運転への道のりで問われる論点はまだ山積している。
① 説明可能性と法的責任
E2Eモデルの弱点は、判断の過程が人間に説明しづらいことだ。「なぜブレーキを踏んだか」「なぜその歩行者を先に行かせたか」——これが答えられないと、事故が起きたときの責任の所在が宙に浮く。日本の現行法でも、「横断しようとしている歩行者」への対応義務は定めているが、AIシステムがその解釈をどう処理したかを事後に示す手段が乏しい。規制対応力の差は、今後の認証・量産フェーズで顕在化してくる。
② 試験走行から商業運転への壁
国内5都市での試験走行は事実だが、それは監視員が同乗した環境での実績だ。完全無人・商業運転・24時間365日という条件になったとき、エッジケース（想定外の状況）への対応がどこまで保証できるかは別の話だ。現時点での評価は「試験走行の優秀な結果」であり、「量産レベルの信頼性の証明」ではない。
③ データ収集と計算基盤のコスト
「GPUだけでは開発スピードが上がらなかった」という問題を、チューリングは「GPUより速いチップ」で突破したとされる。これは開発コスト・スピードの問題を一段クリアしたことを意味するが、学習データの収集コスト・計算基盤の維持コストはスタートアップの資金調達ペースと常に綱引きをする。この財務的な持続性は、技術の優位性とは別に問われ続ける論点だ。
④ 「市販車に相乗り」の限界点
市販車ベースの軽量アプローチは、車体の制御系に深く入り込めないという制約を伴う。フルスタックで設計するテスラや、専用車両を持つWaymoと比べたとき、安全上の限界値がどこに来るのかは未知数だ。AIが賢くなっても、ブレーキ系統の物理的な応答速度は車体依存だ。
まとめ——このニュースを見る軸として
チューリングの取り組みは、「センサーを増やす」か「AIを賢くする」かという自動運転の根本的な設計思想の対立を、スタートアップという制約の中でいちばん鮮明に体現している事例として読める。
技術的な方向性は、業界の引力と一致している。データを学習し続けるループという基盤設計も、理にかなっている。大阪の初見走行という実証は、単なる宣伝ではなく一定の技術的裏付けを持つ結果だ。
一方で、試験走行と商業運転の間には、説明可能性・法的責任・量産コスト・エッジケース対応という複数の壁がある。「テスラを超える」というミッションの重さはその壁の高さと同じだけある。
次に自動運転関連のニュースを見るとき、「センサー構成はどうか」「どの走行環境での実績か」「E2Eかルールベースか」「説明可能性への言及はあるか」——この4点を確認する軸を持っておくと、派手な発表と本質的な進展の区別がつきやすくなる。
