Turing、日本初のVLAモデルによる公道自動運転を達成 2億パラメータのモデルを10Hzで制御

何が起きたか

Turing（東京都大田区、CEO: Issei Yamamoto）は2026年3月26日、Vision-Language-Action（VLA）モデルを用いた公道自動運転で日本初のリアルタイム走行を達成したと発表した。同社は独自に約2億パラメータのVLAモデルを開発・訓練し、車載コンピューティング環境向けに最適化。10Hzでのリアルタイム推論と車両制御を実証した。あわせて因果推論データセット「RACER」と、運転映像を約100分の1に圧縮する画像トークナイザ「DriveTiTok」を公開した。

詳細

Turingは2026年3月26日、VLAモデルによる公道自動運転のリアルタイム制御で日本初の達成を発表した（同社の2026年3月時点の社内調査による）。VLAモデルはカメラ映像と言語ベースの文脈理解を統合し、ステアリング・加速・制動などの運転行動を予測・実行する。従来のEnd-to-End（E2E）モデルが主に生の画像・センサー入力に依存するのに対し、Turingのアーキテクチャは大規模言語モデル（LLM）をバックボーンに組み込み、統合的な意思決定を可能にした。同社は2023年からLLMベースの自動運転の研究開発に取り組んでいる。今回の成果は経済産業省とNEDOが進める生成AI基盤強化プログラム「GENIAC」の支援を受けて実施された。データセットと事前学習モデルの一部はHugging Faceで公開され、技術的知見はテックブログでも共有される。

Key Facts

本紙の見方

今回の発表の核心は、VLAモデルを公道でリアルタイム制御までつなげた点にある。約2億パラメータという規模は、LLMベースの自動運転モデルとしては比較的小規模であり、車載コンピューティング環境での10Hz推論を可能にした。これは、クラウド上の巨大モデルに依存せず、車載で完結するアーキテクチャを志向するTuringの戦略を示す。従来のE2Eモデルが画像・センサー入力に直接依存するのに対し、LLMバックボーンを組み込むことで、言語的な文脈理解を介した意思決定を目指す点が新しい。 本紙はこれまでTeslaのOptimusやロボタクシーを報じてきたが、Turingの今回の成果は、自動運転とロボットの共通基盤である「Physical AI」の文脈で捉えるべきだ。Turingは自動運転向けPhysical AIを開発する企業と位置づけられており、今回のVLAモデルはカメラ映像と言語理解を統合する点で、ヒューマノイドロボットの制御にも応用可能な技術基盤である。ただし、本紙が報じたTeslaのOptimusが家庭より工場・物流での初期導入を想定しているのに対し、Turingは完全自動運転の実現を最終目標としており、適用領域は異なる。 業界構造への含意として、VLAモデルの公道実証は、自動運転の技術競争が「認識・予測・制御を単一モデルで統合する」方向にシフトしていることを示す。Turingはデータセット「RACER」と画像トークナイザ「DriveTiTok」を公開することで、業界全体の研究開発を加速させる狙いがある。特にDriveTiTokの約100分の1圧縮は、車載通信帯域や計算資源の制約を緩和する可能性があり、サプライチェーン上のデータ処理基盤に影響を与える。 未確定の論点として、今回の実証がどのような道路環境・速度域で行われたのか、また量産車両への搭載時期や実用化に向けた課題は明らかにされていない。さらに、約2億パラメータのモデルが複雑な都市部の交通状況でどこまで対応できるかは、今後の追加実証を待つ必要がある。

なぜ重要か

Turingの今回の成果は、日本発のVLAモデルによる自動運転が公道でリアルタイム制御に達したことを示す。これは自動運転技術の競争が単なる認識精度の向上から、言語理解を組み込んだ統合的な意思決定へと移行していることを意味し、今後の技術開発の方向性を占う上で重要なマイルストーンとなる。

日本への影響

Turingの成果は、日本の自動運転技術がLLMベースのアーキテクチャで公道実証に至った点で、国内のPhysical AI開発の進展を示す。ただし、本件は日本国内の実証であり、海外企業との直接比較はソースに含まれていない。日本の自動車部品産業にとっては、VLAモデルの車載実装が進めば、センサーや計算基盤の要件が変化する可能性があるが、具体的な影響は現時点では不明である。