Skip to content
Affectosphere Group Kansai University, Keito Inoshita Laboratory
EN

Column

車の AI に LLM はいらない ── 軽量モデルが「認知の連鎖」を学ぶ時代

車載 AI に GPT を載せれば勝てる、はもう古い。データセンター前提の設計が車内で破綻する理由と、認知科学を組み込んだ軽量モデルがなぜ強いのか ── 自動車・モビリティ事業者向けに 5 分で。

5 分で読める English version →
運転席視点と認知連鎖の流れを抽象線で表したビジュアル

こんにちは。Affectosphere Group の井下です。

最近、自動車系の R&D の方と話していて、こういう話が出ました。

「車内に GPT 載せようって話、上から来るんですよ。でも現場で計算すると、レイテンシも電力も無理で。どう説明すれば伝わりますかね」

これ、たぶん今あらゆる自動車・ロボティクス系の現場で起きている話だと思います。

LLM が万能ツールっぽく語られて、上層は「うちも乗せろ」と言ってくる。でも実際にラインに載せる側からすると、「データセンターと車載は別物です」とずっと叫び続けている。

私たちが 2026 年に出した 2 本の研究 1 2 は、まさにこの「車載 AI の現実」を技術的に正面から扱ったものです。結論を先に言うと ──

「自動車 AI の競争軸は、モデルサイズではなく、認知の連鎖をどう構造化するかに移っている」。

今日はこの話を、自動車・モビリティ・Edge AI に関わる方向けに書きます。

今日の結論を 3 行で

  1. 価値: 軽量モデルに「認知の連鎖」を組み込むと、LLM 不要で運転支援の本丸が解ける。Edge AI が産業の主役になる。
  2. 落とし穴: クラウド前提の設計を量産車に持ち込むと、レイテンシ・電力・通信断のどれかで必ず破綻する。
  3. 隠れた論点: 「個別タスクの精度」だけで AI を評価していると、モジュールをまたぐ誤判断連鎖が見えない。安全要件の高い領域では、ここが致命的になる。

順に書きます。

① まず、なぜ「車載 AI に LLM」は筋が悪いのか

ちょっと現実をフラットに書きます。

データセンターで動く GPT-4 級の LLM を、走行中の車内に同じ品質で持ち込むのは、現状ほぼ不可能です。

  • レイテンシ: クラウド往復は数百ミリ秒。緊急ブレーキ判断には致命的に遅い。
  • 電力: 大型 GPU を車内で常時稼働させると、EV の航続距離に直接効いてくる。
  • 通信: トンネル・地下駐車場・山間部で通信が切れた瞬間に AI が黙る。これは安全製品としてアウト。
  • コスト: 量産車 1 台あたりに数百ドル単位の API コストは乗らない。

「クラウド経由でやればいいじゃん」が通用するのは、車内エンタメや音声アシスタントの一部だけ。安全に関わる機能はオンデバイス完結が前提です。

ここから先、勝負は「いかに小さく、速く、現場の多様性に強く、しかも賢いモデルを作れるか」になります。

② 研究が見せた「軽量だけど賢い」の作り方

ここからが、私たちが面白いと思っている設計思想の話。

まず CauPsi という研究。これは、人間が運転中に頭の中でやっている認知プロセス ── 知覚 → 判断 → 感情 → 行動 ── を、そのままモデル構造に組み込んだものです。

具体的には、交通状況の認識、車両操作の予測、ドライバーの感情推定、行動予測 ── この 4 タスクを、認知の連鎖に沿って繋ぎ、下位タスクが上位タスクに条件を渡していく構造になっています。

約 5M パラメータという軽量構成で、平均 82.7% の精度。特にドライバーの感情(+3.7%)と行動予測(+7.5%)で従来手法を上回ったと報告されています。

ポイントは「個別最適ではない」というところです。

知覚モデルと行動予測モデルを別々に学習すると、知覚段階の小さな誤差が、行動予測の段階で増幅されていく ── 言ってみれば「誤判断連鎖」が起きる。CauPsi はこの連鎖を、そもそも構造で抑える設計になっています。

もう 1 本の C-DIRA は、わずか 2M パラメータでドライバー行動認識 99.2% を達成しています。これも面白くて、

  • 動的 ROI ルーティング: 画像全体をまず見て、難しいシーンに限って重要領域に絞り込む。常時フルパワーで処理しない設計。
  • ドメイン不変敵対的学習: ドライバーの体格・照明・カメラ位置の差を、モデル内で打ち消すように訓練。市場ごとの再学習コストを大幅に削減。

この 2 つを組み合わせるだけで、車載・ロボット・Edge デバイスの現場で必要なことの大半に答えが出ます。

LLM 全盛の議論の中で見落とされがちですが、タスクが定義された産業領域では、軽量モデルが品質・速度・コストすべてで勝つケースは本当に多いんです。

③ 感情 AI の視点から見ると、ここが面白い

ここが、Affectosphere Group として特に押したい論点です。

CauPsi の中で、私が個人的に一番大事だと思っているのは「感情を中間タスクとして組み込んだ」ところ。

従来の運転支援は「知覚 → 行動予測」みたいな、感情を飛ばした連鎖で組まれていました。「ドライバーがいまどんな心理状態か」は、車内 UI の演出に使うくらいで、判断の根幹には入っていなかった。

でも実際の運転は違います。

人間ドライバーは、目の前の状況を見て、自分の感情状態(焦り、疲れ、苛立ち)を踏まえて、行動を決めている。感情を抜きにした認知連鎖は、人間の運転のモデルとして、そもそも歪んでいる。

ここに感情 AI を組み込む意味は、「ドライバーの今の感情を読み取って、適切なタイミングで適切な支援を出す」設計が、初めて技術的に可能になることです。

たとえば ──

  • 疲労が蓄積している兆候を捉えたら、車線維持支援を強めに介入する
  • 苛立ちが見えたら、後続車との車間アシストを早めに発火させる
  • 焦りが出ているときは、ナビの音声を一段抑えて認知負荷を下げる

精度を上げるだけの AI ではなく、人にとってどうか、運転中の認知資源にどう寄り添うか ── ここが、感情 AI を研究してきた立場から見える、自動車 AI の次の競争軸だと思っています。

じゃあ、明日から何をするか

リスクだけ煽るのはフェアじゃないので、現場で動かせる話を 3 つだけ。

  • アーキテクチャ棚卸: 自社の車載・ロボット AI スタックを「クラウド依存」と「オンデバイス完結」で分類する。安全要件の高いものから、後者に寄せるロードマップを作る。
  • 認知連鎖のレビュー: 知覚・判断・感情・行動の各モジュールが、それぞれ独立に学習されていないかを確認する。独立学習だと誤判断連鎖が起きやすい。マルチタスク設計への移行を技術部門と検討する。
  • ドメイン不変学習の組み込み: 市場ごと・車種ごとの再学習コストは、グローバル展開の事業性を直撃します。次世代モデルの要件に「ドメイン不変学習対応」を必須項目として入れる。

そして、もし EV 内装や次世代 UX を企画する立場にあるなら、感情応答 ── ドライバーの状態に応じて空調・照明・音楽が静かに変わる ── を検討する価値は十分にあります。ここは差別化の余白がまだ大きい。

締め

LLM 全盛の議論の中にいると、「大きいモデルを載せれば勝てる」と錯覚しがちです。

でも自動車・ロボティクス・Edge デバイスの現実は、その逆方向にしっかり進んでいます。

「小さく、速く、現場に強く、認知科学的に妥当で、感情まで読める」── これが、車載 AI の次の競争軸です。

研究は、その作り方を技術的に示しました。あとはこれを、自社のプロダクトのどこに、どう載せるか。

ということで、今日はここまで。

「うちの車載 AI、ほんとに認知連鎖で組まれてる?」と気になった方、ぜひ一度、社内の AI スタック構成を棚卸してみてください。

参考論文

  1. Keito Inoshita, Nobuhiro Hayashida, Akira Imanishi (2026). Cognitive-Causal Multi-Task Learning with Psychological State Conditioning for Assistive Driving Perception. arXiv preprint.
  2. Keito Inoshita (2025). C-DIRA: Computationally Efficient Dynamic ROI Routing and Domain-Invariant Adversarial Learning for Lightweight Driver Behavior Recognition. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。

Footnotes

  1. Keito Inoshita, Nobuhiro Hayashida, Akira Imanishi, “Cognitive-Causal Multi-Task Learning with Psychological State Conditioning for Assistive Driving Perception”, arXiv preprint, 2026. ↩

  2. Keito Inoshita, “C-DIRA: Computationally Efficient Dynamic ROI Routing and Domain-Invariant Adversarial Learning for Lightweight Driver Behavior Recognition”, arXiv preprint, 2025. ↩