2026-06-18 — views
Physical AI データフライホイール 2026 — テスラ 60 億マイル監視付き FSD vs Waymo 3000 万マイル完全無人運転：訓練データベンチマーク
テスラは 600 万台の車両から監視付き FSD 走行距離 60 億マイル以上を蓄積、Waymo は完全無人運転で 3000 万マイルを記録。規模と品質の対決が Physical AI 訓練競争を定義する。
Physical AI ベンチマークシリーズ 第 173 回 — 訓練データとデータフライホイール
Physical AI 訓練競争における最も根本的な非対称性は、計算能力でも評価額でも規制承認でもなく、データだ。2026 年半ば時点で、テスラは約 600 万台の消費者向け車両から推定 60 億マイル以上の監視付き自動運転（FSD）走行距離を蓄積している（推定値）。Waymo はフェニックス、サンフランシスコ、ロサンゼルス、オースティンのロボタクシー車隊で推定 2500 万〜3500 万マイルの完全無人商業走行距離を蓄積している（推定値）。生の数字ではテスラが約 200:1 の規模優位を持つ。しかし、このデータは等価ではない——Waymo のすべての走行距離は完全に自律的に達成されており、人間が介入できる立場にあったことは一度もない。テスラの走行距離はすべて、いつでも引き継げる準備をした免許保有の人間ドライバーが同乗していた。本記事では、どちらのデータ優位が戦略的により持続可能か、各データタイプが実際に何を訓練するか、そして両車隊が成長するにつれてフライホイールがどのように見えるかをベンチマークする。
第 1 節 — 二つのデータフライホイール：規模 vs. 純粋性
| 次元 | テスラ FSD データフライホイール | Waymo 無人運転データフライホイール |
|---|---|---|
| 総走行距離（推定値） | 2026 年半ば時点で累積 60 億マイル以上の監視付き FSD 走行距離（推定値） | 2026 年半ば時点で累積約 2500 万〜3500 万マイルの無人商業走行距離（推定値） |
| 週間走行距離（推定値） | 週あたり推定数千万マイルの監視付き走行距離（600 万台 × 平均 FSD 使用率） | 週あたり推定 15 万回以上の有料乗車 × 平均 3〜5 マイル = 週あたり推定 45 万〜75 万マイルの無人走行距離 |
| データ生成比率 | テスラは週あたり Waymo より推定 100〜200 倍多くのマイルを生成（推定値） | Waymo の総走行距離は大幅に少ないが、すべてが完全自律運転 |
| ドライバーの同乗 | あり — 免許保有の人間ドライバーが常に FSD を監視する必要あり；ドライバーはいつでも介入可能 | なし — 人間の介入はゼロ；車両がすべての決定を完全自律的に行う |
| データラベル品質 | 監視付き走行距離には AI の成功した決定と人間のオーバーライド（介入）の両方が含まれる；介入の瞬間が最も価値のある訓練信号 | 完全自律走行距離：AI が行ったすべての決定が実際の結果——人間の修正信号はないが、AI は人間の助けなしにすべてのシナリオを処理できるほど堅牢でなければならない |
| データが訓練する内容 | FSD：人間の運転行動に合わせるようニューラルネットワークを訓練し、介入が必要になった際の回復を訓練；介入イベントが再訓練のためにエッジケースを自動ラベリング | Waymo：人間の助けなしに自身のミスからの回復を含む、現実世界のシナリオの完全な分布を完全自律的に処理するようシステムを訓練 |
| データエンジン（テスラ） | Tesla の Data Engine：FSD の走行が動画録画される；車載モデルがフレームを自動ラベリング；低信頼度フレームがフラグ付けされクラウドに送られ人間がレビュー；自動ラベリングはスケール；人間のレビューは困難なケースに集中 | Waymo の相当物：すべての無人走行が記録される；リモートオペレーションの注意が必要なシナリオにフラグ；シミュレーションが合成エッジケースを生成 |
| フライホイールの複利 | テスラ車増加 → FSD 走行距離増加 → 訓練データ増加 → FSD 改善 → 利用率上昇 → 収益増加 → R&D 増加 → FSD 改善 | Waymo の無人乗車増加 → 無人走行距離増加 → エッジケース発見増加 → システム改善 → 許可増加 → 都市増加 → 乗車増加 |
規模比率は印象的だ。テスラは年間推定 20〜30 億マイルの監視付き走行距離を追加している；Waymo は年間推定 2500〜4000 万マイルの無人走行距離を追加している。テスラの生のマイル生成速度は Waymo より約 2 桁高い。しかし、200:1 のマイル比率は 200:1 の訓練信号品質優位には変換されない——なぜなら、2 種類のマイルタイプは異なる能力を訓練しているからだ。
第 2 節 — 監視付きと無人走行距離が実際に訓練する内容の違い
| 訓練次元 | テスラの監視付き走行距離が訓練する内容 | Waymo の無人走行距離が訓練する内容 | 戦略的含意 |
|---|---|---|---|
| 通常走行 | 人間に合わせた運転行動：車線維持、速度、車間距離、交差点処理——すべて人間の運転方法に合わせて校正 | Waymo 独自の通常走行ポリシー：人間の行動規範から独立して開発；乗客の快適性、安全性、効率性に最適化 | 両者とも通常走行に高品質；テスラはよりヒューマンライク、Waymo はより最適化されている可能性 |
| エッジケース発見 | 人間の介入 = 自動ラベリングされたエッジケース；60 億マイルで規模上で数百万のエッジケース例を生成；エッジケースはマイルあたり稀だが車隊規模では豊富 | 無人運転：Waymo は人間の後ろ盾なしに現実でエッジケースに遭遇；システムはそれらを処理しなければならない；処理された各エッジケースは堅牢性の証明 | テスラはより多くの総エッジケースを発見（規模）；Waymo のエッジケースは個別により価値が高い（人間なしで処理可能と証明） |
| ミスからの回復 | 人間がミスが事故になる前に捕捉する；AI は人間の助けなしに深い失敗状態から回復することを学ばない | Waymo は自律的に自身のミスから回復しなければならない；これにより監視システムが学ばない回復行動が訓練される | Waymo の回復訓練は完全無人運転の構造的優位；監視システムにはここでギャップがある |
| まれな天候と条件 | テスラ車隊は全米 50 州プラス国際：雪、氷、霧、大雨、工事区間——規模で広範な環境カバレッジ | Waymo 車隊は 4 つのサンベルトと温暖気候都市（フェニックス、SF、LA、オースティン）——テスラのグローバル車隊と比べて天候多様性が限定的 | テスラには重要な天候多様性の優位；Waymo のフェニックスと SF のデータは高品質だが地理的に狭い |
| 夜間と低光量 | 600 万台の車両が夜間を含む 24 時間稼働；大量の夜間走行データセット | 15 万回以上の週間乗車に SF の 24 時間稼働を含む；しかし小さな車隊は絶対的な夜間データが少ないことを意味 | テスラはより多くの絶対的な夜間マイル；Waymo の SF の 24 時間稼働からの夜間データは高品質な都市夜間データ |
| 新規シナリオ | 60 億マイルで、テスラは何百万もの異常なシナリオに遭遇；Data Engine がモデルが誤った部分を見つける | 3000 万マイルの無人走行で、Waymo は人間の助けなしに処理しなければならない新規シナリオに遭遇——「処理済み」に対する要求が高い | 異なるが補完的；新規シナリオ訓練で明確な勝者なし |
| ロングテールカバレッジ | テスラ：60 億マイルが監視付きデータ品質を犠牲にして膨大なロングテールカバレッジを生成 | Waymo：3000 万無人走行距離がはるかに高いマイルあたり品質で深いロングテールカバレッジを生成 | Waymo のロングテールカバレッジは証明済み（車両が処理した）；テスラのは観察されたが人間の安全網あり |
第 3 節 — 介入データ：テスラの最も価値あるシグナル
| 介入次元 | 詳細 | 備考 |
|---|---|---|
| 介入とは何か | 人間の FSD ユーザーが車両の制御を引き継ぐ——自発的に（FSD の動作が気に入らない）または FSD が引き渡しを開始したため | 各介入は自動ラベリングされた訓練例：「この瞬間、この文脈で、人間は FSD が状況を正しく処理していないと判断した」 |
| 介入率トレンド（推定値） | FSD v12/v13 の重大介入率：推定 1,000 マイルあたり 0.03〜0.05 回（推定値）；つまり FSD 運転 20,000〜33,000 マイルあたり推定 1 回の介入（推定値） | 比率が改善するたびに、マイルあたりの訓練例が少なくなる——しかし 60 億総マイルでは絶対数はまだ膨大 |
| テスラが介入データをどう使うか | 介入フレームが自動ラベリングされ訓練パイプラインにフィードバック；1 回の介入イベントで「FSD が X をしようとしたが人間が修正した」という数百フレームの訓練シグナルを生成 | これにより監視運転に固有の閉ループフィードバックが作られる：人間の行動が訓練シグナル |
| Waymo の相当物 | Waymo には介入データがない（介入できる人間がいない）；代わりにリモートオペレーション連絡率が「システムが挑戦的と感じた状況」のプロキシとして機能 | リモートオペレーション連絡はテスラの介入より稀で、より高い重大度の状況を表す |
| 介入データが FSD に重要な理由 | テスラは人間のように運転する AI を訓練している；人間の修正が AI に正確にいつどのように人間の判断から逸脱したかを伝える；このフィードバックループにより FSD は 500 マイルあたり 1 回の介入（v10 推定）から推定 20,000 マイル以上あたり 1 回（v13 推定）へと進歩 | 改善軌跡はフィードバックループが非常によく機能していることを示す；FSD の急速な改善曲線は部分的に介入訓練シグナルの品質によって説明される |
| 監視から無人運転へのギャップ | 監視マイルでの訓練は「人間が介入しない」を最適化；無人運転への移行は「システムが人間の介入を必要としない」を必要とする——これらは微妙だが重要に異なる最適化目標 | 監視データで訓練されたテスラの FSD は無人運転に移行しなければならない；これは些細なことではなく、テスラの自律移行の中核的課題 |
第 4 節 — 車隊規模 vs. 車隊品質：どちらのフライホイールが勝つか？
| シナリオ | テスラの優位 | Waymo の優位 | このシナリオで誰が勝つか |
|---|---|---|---|
| 通常走行性能の改善 | 膨大なデータセット；高速イテレーションサイクル；学ぶための数十億マイル | 高品質な自律データ；各マイルが堅牢性を証明 | 両者とも強い；テスラの規模優位が規模でまれだが実在するシナリオに対して決定的 |
| 無人運転の実現 | 監視から無人運転へのギャップを埋めなければならない；大型車隊だがデータは監視向けに最適化 | すでに無人運転を操作している；データが無人運転のパフォーマンス要件を直接反映 | Waymo：無人運転訓練データは無人運転展開により直接関連 |
| 新地域への展開 | 600 万台の車両がすでに新地域に：雪、氷、国際道路 | 新都市に車隊を物理的に展開しなければならない；存在しないデータで事前訓練はできない | テスラ：新環境の事前訓練に対する大規模な地理的カバレッジ優位 |
| 天候堅牢性 | 規模での雪、氷、霧、雨データ（米国プラス国際車隊） | サンベルト重点；限定的な悪天候データ | テスラ：決定的な天候多様性優位 |
| 人間なしのエッジケース回復 | 監視データ：エッジケースは観察されるが人間が最悪の結果を防ぐ | 無人走行データ：エッジケースが完全自律的に処理される | Waymo：人間の介入なしの回復訓練は独自の無人運転特性 |
| 訓練効率 | FSD v12：エンドツーエンドモデル；数十億マイルが1つのニューラルネットワークを訓練 | Waymo：モジュラーシステムプラスエンドツーエンドコンポーネント；より小さなデータセットだがマイルあたりより高い情報密度 | ほぼ同等；異なるアーキテクチャがそれぞれのデータセットから異なる価値を抽出 |
| 総合フライホイール評決 | テスラは規模、速度、地理的カバレッジで勝る | Waymo は無人運転特定能力のデータ品質で勝る | 長期フライホイールの勝者は、監視から無人運転へのギャップが規模で埋められるか（テスラの賭け）、それとも無人運転特定訓練データが不可欠か（Waymo の構造的地位）による |
第 5 節 — データフライホイール上昇指数：追跡すべき主要指標
| KPI | テスラ 2026 年 Q2 | Waymo 2026 年 Q2 | 2026 年下半期の軌跡 |
|---|---|---|---|
| 累積走行距離（推定値） | 推定 60 億マイル以上監視付き（推定値） | 推定 2500 万〜3500 万マイル無人（推定値） | テスラ：年間推定 20〜30 億マイル増加；Waymo：年間推定 2500〜4000 万マイル増加 |
| 週間マイル生成（推定値） | 週あたり推定数千万マイル（推定値） | 週あたり推定 45 万〜75 万無人走行マイル（推定値） | テスラは FSD 利用率とともに成長；Waymo は車隊規模とともに成長 |
| 介入率（FSD 推定値） | 推定 1,000 マイルあたり 0.03〜0.05 回（推定値） | 該当なし（監視運転なし） | 主要指標：比率が下がり続ける → FSD が無人運転閾値に近づく |
| 週間無人走行マイル（推定値） | 推定 0 無人走行マイル（オースティンは監視付きのみ） | 週あたり推定 45 万〜75 万無人走行マイル（推定値） | テスラ：FMVSS 待ちのオースティンでの最初の無人走行マイル；Waymo：Gen 6 車隊ランプとともに成長 |
| モデル改善率 | FSD v10 → v13：介入率が推定 3 年間で推定 40 倍改善（推定値） | Waymo：介入率 = 0（該当なし）；新都市ローンチとエッジケース処理を通じた運用能力改善を追跡 | 両者とも急速な改善を示す；異なる指標 |
| データ優位の持続性 | テスラの規模優位は新しい FSD 車両が売れるたびに成長；FSD 利用率が維持される限り持続 | Waymo の無人運転品質優位は、テスラが無人運転特定訓練データなしに監視から無人運転へのギャップを埋められない限り持続 | 両者の核心的質問：テスラの規模が品質ギャップを埋められるか、それとも無人運転には無人運転データが必要か？FSD v13 の軌跡は規模が勝利していることを示唆——しかし実験はまだ終わっていない |
第 6 節 — このシリーズについて
本記事は Physical AI ベンチマークシリーズの第 173 回だ。本記事はデータフライホイールの次元を追加する：テスラの監視付きマイルと Waymo の無人走行マイルの間の 200:1 の規模比率、各マイルタイプが実際に訓練する内容、そして監視から無人運転へのギャップが Physical AI データ競争で最も重要な未解決問題である理由。
注意： 本記事のすべての走行距離数字、介入率、車隊規模、予測は、公開情報、企業開示、業界分析に基づく推定値であり、全体を通じて「（推定値）」とラベリングされている。これらは投資推奨ではない。投資判断を行う前に、自身でデューデリジェンスを行い、認可を受けたファイナンシャルアドバイザーに相談すること。
ソース
- Tesla FSD 累積走行距離 — Tesla AI Day および決算発表 ↗
- Waymo 無人運転走行距離と乗車回数 — Waymo ブログ ↗
- Tesla FSD Data Engine — Tesla AI インフラ ↗
- Waymo 安全レポート — Waymo ↗
- FSD 介入率 — Tesla AI Day および公開開示 ↗