対談・インタビュー
Waymo Dmitri Dolgov『20 million rides後のFull Autonomy』
12分で読める|2026/05/09|
AI自動運転WaymoロボティクスAI実装
この記事の要約
WaymoのDmitri Dolgovが語る20 million rides後の自動運転を、研究から運用への移行、full autonomyの難しさ、安全評価、都市展開のフライホイールとして整理する。
WaymoのDmitri Dolgovの対談は、AIの中でも特に実装の重い領域を扱っている。自動運転は、モデルが賢いだけでは成立しない。安全、規制、都市、乗車体験、運用、事故時の責任が絡む。
『20 million rides』という数字は、単なる実績アピールではない。研究プロジェクトが、実際に人を乗せる運用システムへ移ったことを示す。ここにWaymoの重要性がある。
本記事では、対談を、研究から運用への移行、full autonomyの難しさ、自動運転スタック、ロングテール安全、都市展開のフライホイールに分けて整理する。
この記事は Waymo's Dmitri Dolgov: 20 Million Rides and the Road to Full Autonomy の内容を基に、
2026-05-09取得の英語字幕から再構成している。
本記事の前提
- 直訳ではなく、対談・講演の主張をトピック別に再構成している
- 動画内の主張と、記事側の実務的な補足・解釈を分けて整理している
- Sequoia AI Ascent 2026 の関連動画群を横断して読めるよう、関連記事も最後にまとめている
読む前の補助線
この動画を読むときの中心問いは「研究デモを、安全な現実運用へ変えるには何が必要か」である。動画内では会話の流れに沿って論点が移るが、記事化するときは順番をそのまま追うより、自動運転だけでなく、AIを社会実装するすべてのチームが判断に使える単位へ並べ替えた方が理解しやすい。
特に注意したいのは、「20 million rides」を大きな流行語として受け取らないことだ。今回の対談で価値があるのは、未来予測そのものより、どの条件が変わり、どの責任が残り、どの組織能力を先に作るべきかが見えてくる点にある。
逆に読み違えると、モデル精度の話だけで、運用データ、安全検証、都市ごとの展開設計を過小評価することが起きる。だから本記事では、動画の発言を単純な時系列ではなく、テーマごとに整理しながら、実走行データ、シミュレーション、運用監視、段階的な地域展開、信頼形成へ接続して読む。AIを現実に出すなら、成功ケースだけでなく、稀な失敗をどう集め、再現し、潰すかが競争力になる。
また、この一本だけで閉じて読むより、Sequoia AI Ascent 2026の他セッションと並べると位置づけがはっきりする。ある動画はモデル能力を語り、別の動画は開発組織やロボティクス、インフラ、運用を語る。本記事ではその中で、Dmitri Dolgovの発言がどの論点を担っているのかを明確にする。
20 million ridesは、研究から運用への移行を示す
自動運転の歴史は、長い研究の歴史でもある。だがWaymoの現在地を理解するには、技術デモではなく、実際に人を運ぶ運用システムとして見る必要がある。
研究から運用への道筋まず押さえるべきは、この章の話が単独の予測ではなく「研究デモを、安全な現実運用へ変えるには何が必要か」という問いの入り口になっている点である。何が新しくなったのかと同時に、何をまだ人間側で設計しなければならないのかを分けて読む。
20 million ridesという数字は、経験の厚みを示す。
実際の乗客を乗せる運行では、道路、天候、人間、規制、都市ごとの癖に向き合う必要がある。
自動運転の競争力は、ベンチマーク上の精度だけでなく、運用から得る学習量で決まる。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。AIを現実に出すなら、成功ケースだけでなく、稀な失敗をどう集め、再現し、潰すかが競争力になる。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
Waymoは、研究プロジェクトからサービスへ移る難所を越えてきた。
安全ドライバー付きの実験、限定地域での運行、乗客だけの運行、商用展開。それぞれで求められる信頼水準が上がる。
自動運転は、できるかどうかの二択ではなく、どの条件で、どの責任範囲で運用できるかの積み上げである。
自動運転だけでなく、AIを社会実装するすべてのチームにとって重要なのは、この変化を個人の工夫で吸収しないことである。実走行データ、シミュレーション、運用監視、段階的な地域展開、信頼形成を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
この移行は、他のAI領域にも示唆がある。
AIデモは速く作れるが、運用システムにするには、例外処理、安全性、顧客体験、サポートが必要になる。
Waymoは、AIを社会実装するには時間と運用学習が必要であることを示す事例である。
ここで焦点を外すと、モデル精度の話だけで、運用データ、安全検証、都市ごとの展開設計を過小評価することにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
自動運転の価値は、走れることではなく、走り続けられることである。20 million ridesは、その違いを示す数字である。
Full autonomyは、単一モデルではなくstackの問題である
full autonomyと聞くと、一つの賢いモデルが車を運転する姿を想像しがちである。しかし実際には、複数の機能と運用がつながるstackの問題である。
Full Autonomy Stackここでは「20 million rides」を、抽象的なキーワードではなく実務上の判断材料として扱う。動画の順番に沿って理解するより、自動運転・AI実装で起きる責任分担の変化として見る方が、論点の重みがつかみやすい。
車は、世界を見て、予測し、計画し、制御する必要がある。
歩行者、車両、信号、標識、工事、緊急車両。認識だけでなく、次に何が起きるかを予測し、適切な行動を選ぶ必要がある。
自動運転では、知覚モデル単体の精度だけでは価値を測れない。全体の連携が重要である。
自動運転だけでなく、AIを社会実装するすべてのチームにとって重要なのは、この変化を個人の工夫で吸収しないことである。実走行データ、シミュレーション、運用監視、段階的な地域展開、信頼形成を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
運用機能もstackに含まれる。
車両管理、地図更新、遠隔支援、清掃、充電、顧客対応、事故対応。これらがないとサービスは成立しない。
Waymoの強さは、AIモデルだけでなく、運用を含むシステム全体にある。
ここで焦点を外すと、モデル精度の話だけで、運用データ、安全検証、都市ごとの展開設計を過小評価することにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
full autonomyは、責任範囲の設計でもある。
どの地域、どの天候、どの道路、どの速度、どの例外まで自律で対応するのかを定義する必要がある。
『完全自動運転』という言葉だけでは不十分である。実装では、運用設計と安全ケースが中心になる。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。AIを現実に出すなら、成功ケースだけでなく、稀な失敗をどう集め、再現し、潰すかが競争力になる。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
自動運転をAIモデルの勝負としてだけ見ると、Waymoの本質を見落とす。これは運用stackの勝負でもある。
ロングテール安全問題は、自動運転最大の壁である
自動運転で難しいのは、平均的な道路を走ることだけではない。まれだが重要な例外をどれだけ安全に扱えるかである。
ロングテール安全問題この章の論点は、技術の優劣だけでは完結しない。実走行データ、シミュレーション、運用監視、段階的な地域展開、信頼形成をどう整えるかまで含めて読むと、対談の発言がそのまま組織設計やプロダクト設計の宿題に変わる。
道路には、珍しいが危険な状況が大量にある。
工事、事故、予測不能な歩行者、緊急車両、標識の欠落、地図との差分。頻度は低くても、対応できなければ安全性を損なう。
自動運転の品質は、普通のケースの快適さだけでなく、まれなケースで決まる。
ここで焦点を外すと、モデル精度の話だけで、運用データ、安全検証、都市ごとの展開設計を過小評価することにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
ロングテールを扱うには、実運用とシミュレーションの両方が必要である。
実運用で例外を集め、シミュレーションで再現し、改善したシステムを再評価する。このループが重要になる。
データを持つことと、そのデータを安全改善へ変える能力は別である。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。AIを現実に出すなら、成功ケースだけでなく、稀な失敗をどう集め、再現し、潰すかが競争力になる。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
安全性は、確率ではなく信頼の問題でもある。
乗客、都市、規制当局は、単なる平均事故率だけではなく、説明可能性、対応体制、改善姿勢を見る。
自動運転企業は、技術だけでなく、社会的信頼を積み上げる必要がある。
自動運転だけでなく、AIを社会実装するすべてのチームにとって重要なのは、この変化を個人の工夫で吸収しないことである。実走行データ、シミュレーション、運用監視、段階的な地域展開、信頼形成を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
ロングテール安全問題は、AIの難しさと社会実装の難しさが重なる場所である。
都市展開は、技術と信頼のフライホイールで進む
Waymoの展開は、全国一斉に広げるものではない。都市ごとに運行し、データを集め、安全性を示し、信頼を得て広げる。
都市展開のフライホイールここで見たいのは、話者の断言の強さよりも、その断言が成り立つ条件である。モデル精度の話だけで、運用データ、安全検証、都市ごとの展開設計を過小評価することを避けるには、便利になった部分と、むしろ重くなる判断を分ける必要がある。
都市ごとに道路環境は違う。
車線、交通文化、天候、地図、規制、乗客の行動が違う。ある都市でうまくいったことが、そのまま別都市で通用するとは限らない。
自動運転のスケールは、ソフトウェアのように一瞬で全国展開するものではなく、都市ごとの学習になる。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。AIを現実に出すなら、成功ケースだけでなく、稀な失敗をどう集め、再現し、潰すかが競争力になる。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
運行するほど、都市固有のデータが増える。
乗車ルート、例外ケース、交通パターン、利用者の期待が蓄積される。
早く安全に運行できる企業ほど、さらに改善するデータを得る。ここにフライホイールがある。
自動運転だけでなく、AIを社会実装するすべてのチームにとって重要なのは、この変化を個人の工夫で吸収しないことである。実走行データ、シミュレーション、運用監視、段階的な地域展開、信頼形成を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
信頼が次の展開を可能にする。
規制当局、地域社会、乗客が安心して使えると判断するには、実績と透明性が必要である。
自動運転のスケールは、技術のスケールであると同時に、信頼のスケールである。
ここで焦点を外すと、モデル精度の話だけで、運用データ、安全検証、都市ごとの展開設計を過小評価することにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
都市展開は、AI企業が現実世界へ入るときの典型的なパターンである。技術だけでなく、運用と信頼が積み上がる。
Waymoは、AI実装の粘りを示すケースである
Waymoの対談がAI業界全体に示すのは、難しいAI実装には時間がかかるという事実である。これは悲観ではなく、参入障壁の源泉でもある。
AI実装企業がWaymoから学ぶこと自動運転だけでなく、AIを社会実装するすべてのチームにとって、この章は採用すべきツール名を決める話ではない。AIを現実に出すなら、成功ケースだけでなく、稀な失敗をどう集め、再現し、潰すかが競争力になる。 その視点で読むと、動画内の具体例が次の運用設計につながる。
長期にわたる実装は、短期のデモとは別の能力を要求する。
研究成果をサービスにするには、規制、運用、顧客体験、障害対応、継続改善が必要になる。
AIスタートアップは、モデルデモから運用システムへの道筋を早い段階で設計すべきである。
自動運転だけでなく、AIを社会実装するすべてのチームにとって重要なのは、この変化を個人の工夫で吸収しないことである。実走行データ、シミュレーション、運用監視、段階的な地域展開、信頼形成を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
運用データは、時間をかけて蓄積する資産である。
実際の乗車から得られる例外、失敗、利用パターンは、後発がすぐにコピーできない。
AI企業のmoatは、モデルではなく運用から得る学習ループに生まれることがある。
ここで焦点を外すと、モデル精度の話だけで、運用データ、安全検証、都市ごとの展開設計を過小評価することにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
安全性を正面から扱う企業ほど、長期的に強くなる。
安全性を後回しにしたAI実装は、社会的信頼を失いやすい。自動運転では特にその影響が大きい。
高リスク領域のAI企業は、安全性をコストではなくプロダクト価値として設計する必要がある。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。AIを現実に出すなら、成功ケースだけでなく、稀な失敗をどう集め、再現し、潰すかが競争力になる。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
Waymoは、AIが現実世界で価値を出すまでの長い道のりを示す。ここにこそ、AI実装の本質がある。
この対談からAI実装企業は何を学ぶべきか
Dolgovの対談から得られる学びは、自動運転企業だけのものではない。AIを現実の業務や社会へ実装する企業すべてに関係する。
最後に重要なのは、学びを一般論で終わらせないことである。この章の主張を「明日から何を変えるか」へ落とすなら、実走行データ、シミュレーション、運用監視、段階的な地域展開、信頼形成を点検することが出発点になる。
第一に、デモと運用を分けること。
デモで動くことと、毎日安全に動くことは違う。
AI企業は、早い段階で運用条件、例外処理、監査、改善ループを設計すべきである。
ここで焦点を外すと、モデル精度の話だけで、運用データ、安全検証、都市ごとの展開設計を過小評価することにつながる。だからこの論点は、動画内の一発言ではなく、意思決定の前提を点検する材料として読む方がよい。
第二に、ロングテールを軽視しないこと。
実世界の価値は、平均的なケースではなく、まれな例外に耐えることで決まる。
データ収集、シミュレーション、評価を一体で設計する必要がある。
実務では、この主張を「何が可能になったか」だけで終わらせない方がよい。AIを現実に出すなら、成功ケースだけでなく、稀な失敗をどう集め、再現し、潰すかが競争力になる。そう読むと、この論点は新機能の紹介ではなく、次に整えるべき開発・事業プロセスの話になる。
第三に、信頼をスケールさせること。
AI実装では、顧客、規制、社会が納得する説明と実績が必要になる。
Waymoのように、技術、運用、信頼を同時に積み上げる企業が、長期で強くなる。
自動運転だけでなく、AIを社会実装するすべてのチームにとって重要なのは、この変化を個人の工夫で吸収しないことである。実走行データ、シミュレーション、運用監視、段階的な地域展開、信頼形成を組織の標準に近づけるほど、同じモデルやツールを使っても成果の安定度が変わる。
20 million ridesは、自動運転の数字であると同時に、AI実装の教訓である。現実世界でAIを使うには、能力だけでなく、運用と信頼を積み上げる必要がある。
関連記事
この記事の著者
中村 知良
代表取締役
早稲田大学卒業後、ソフトバンク株式会社にてAI活用やCEO直下案件のプロジェクトマネージャーに従事。その後、不動産スタートアップPit in株式会社の創業、他スタートアップでの業務改善・データ活用を経験後、2023年10月、株式会社ネクサフローを創業し代表取締役CEO就任。
次に読む
あわせて読みたい
NVIDIA Jim Fanが語るRoboticsのEnd Game
NVIDIAのJim Fanが語るロボティクスのEnd Gameを、LLMからphysical AIへの拡張、シミュレーションと実機のループ、汎用ロボットの難しさ、産業実装の順序として整理する。
2026/05/09
AIロボティクスNVIDIA
Jensen Huang インタビューから読む AIファクトリーと物理AIの見方
All-In Podcast での Jensen Huang の発言をもとに、AIファクトリー、エージェント、physical AI、社会受容をどう読むか整理します。大きな数字より、設計判断に残る論点へ引き直した interview guide です。
NVIDIAAI
AIが農業・建設・鉱業を変える理由——Applied Intuition CEOが語る「ギャップ補完」
Applied Intuition CEOの発言と一次情報をもとに、農業・建設・鉱業でAI自動化が必要とされる理由と、日本での導入条件を整理します。
AI農業