2026-06-18 — views

Physical AI データパイプライン — Tesla 600万台収集フライホイール vs Waymo 毎日150億シミュレーションマイル：トレーニングインフラ競争

Teslaは600万台の車両から毎日数百万FSDマイルを収集し、Waymoは毎日150億シミュレーションマイルを実行。量vs品質がPhysical AIデータパイプライン競争を定義する。

Physical AI ベンチマークシリーズ第155回 — Physical AIデータパイプライン：TeslaとWaymoが大規模にトレーニングデータを収集、ラベリング、保存、処理する方法

データパイプラインは、自動運転企業がAIモデルを改善する速度を決定する見えないインフラです。走行される1マイルごと、記録されるセンサーフレームごと、適用されるラベルごと、完了するトレーニング実行ごとに、後発者が縮めることが難しい複利優位が積み上がります。Teslaの自動ラベリングパイプラインは約600万台のFSD対応車両からのデータを処理し（推定値）、Waymoの人間のアノテーションチームはより小規模だが完全に無人の車隊から数十億のセンサーフレームをラベリングします。本記事はPhysical AIベンチマークシリーズの第155回です。データパイプライン全体（収集、アノテーション、保存、計算、フィードバックループ）のベンチマークを行い、データ速度がPhysical AIの競争優位にとって何を意味するかを分析します。

「（推定値）」と記されたすべての数値は、公開情報、業界調査、アナリスト推計に基づいており、独立して検証された一次データではありません。

セクション1 — データ収集：原材料はどこから来るか

次元	Tesla	Waymo	示唆
車隊規模（データソース）	全世界で約600万台のFSD対応車両（推定値）；毎日約100万台以上がFSDを有効化（推定値）	4都市に約2,500台の専用AV車両（推定値）	Tesla：2,400倍多い車両数；生データ量で圧倒的優位
1日の収集マイル数（推定値）	車隊全体で毎日数千万FSD走行マイル（推定値）	毎日約5万〜10万の無人走行マイル（推定値）	Tesla：毎日約500〜1,000倍多いマイル数
センサーデータ種別	9台のカメラ（複数解像度）；4Dレーダー；LiDARなし	カメラ＋LiDAR＋レーダー（3モダリティすべて）	Waymoは車両1台あたりのセンサーデータが豊富；Teslaははるかに多くのカメラデータを収集
1マイルあたりのデータ密度	約9カメラストリーム×約36フレーム/秒＝車両1台あたり約324フレーム/秒	カメラ＋LiDAR点群＋レーダー＝カメラのみの約10倍のバイト/マイル	Waymoのデータは1マイルあたり豊富；Teslaのデータはマイル数が多い
エッジケース密度（推定値）	600万台の規模で、Teslaは毎日あらゆる稀なシナリオを何度も経験；シャドーモードが逸脱を検出	Waymoの無人車隊は稀なシナリオに遭遇する頻度が低いが、ラベリング忠実度が高い	Teslaはエッジケース数量で勝利；Waymoはエッジケースラベル品質で勝利
地理的多様性	米国、カナダ、EU、中国、オーストラリア — グローバルカメラデータ	4つの米国都市（SF、フェニックス、LA、オースティン） — 狭いが深い	Tesla：グローバルシナリオ多様性；Waymo：4市場における深い都市シナリオ
データ選択（アップロード内容）	すべてのマイルがアップロードされるわけではない；Teslaの車載コンピュータがFSD動作がドライバーと乖離したか不確実性に遭遇したクリップを選択	すべての無人運転データが価値ある；Waymoはより少ない量のより高い割合をアップロード	Teslaの標的型アップロードは帯域幅コストを削減；車載モデルが不確実とフラグしなかったシナリオを見逃すリスク

スケールvs豊富さのトレードオフ

TeslaのLiDAR不採用決定は、単なるコスト決定ではなくデータ戦略決定です。カメラデータはLiDAR点群よりも収集、保存、アノテーションが安価です。600万台の車両が毎日数千万マイルのデータを生成する規模において（推定値）、カメラのみのデータをコスト効率よく処理できることが、Teslaのデータフライホイールが機能するための前提条件です。

セクション2 — データアノテーション：ラベリングパイプライン

ステージ	Teslaのアプローチ	Waymoのアプローチ	コスト/速度のトレードオフ
自動ラベリング（ニューラルネットラベル）	Teslaのパイプラインの中核：ニューラルネットがすべてのビデオフレーム内のオブジェクト（歩行者、車両、自転車乗り、標識）を自動ラベリング；人間はエッジケースと不一致のみレビュー	Waymoも自動ラベリングを使用するが、LiDAR点群ラベリングにはより多くの人間アノテーターを利用（カメラより自動ラベリングが難しい）	Tesla：より自動化；Waymo：より人間が関与
4Dラベリング	Teslaの4D（3D空間＋時間）ラベリングはオクルージョンを含めてフレーム間でオブジェクトを追跡；Tesla AI Day 2022でコアイノベーションとして開示	WaymoはLiDAR点群への3Dバウンディングボックス＋カメラを使用；時間的追跡も使用	Teslaの4Dアプローチはビデオからオブジェクト軌跡をより自然に捉える
人間アノテーション人員（推定値）	Teslaは大規模なアノテーションチームを雇用（推定数百〜数千人）；自動ラベリングがフレームあたりの人間要件を削減	Waymoには人間アノテーションチームがあり、正確な規模は非開示；一部の作業でScale AIと提携	両社とも人間アノテーションを使用；Teslaの自動ラベルパイプラインは1マイルあたりの人間要件削減においてより成熟
能動学習	Teslaは能動学習を使用：モデルが不確実なフレームを特定；それらのフレームが人間ラベリングに優先される	WaymoはAIの能動学習アプローチを使用	両社ともランダムフレームではなく最難事例のラベリングを優先
ラベル品質管理	ニューラルネット自動ラベルと人間ラベルの不一致がレビューを誘発；一貫性指標を追跡	Waymoはラベル品質を安全クリティカル要件として強調；困難なフレームには複数アノテーター	両社ともラベル品質に多大な投資；ラベルエラーはモデルエラーに伝播
1マイルあたりのラベリングコスト（推定値）	Teslaの目標：自動ラベリングにより1マイルあたりの限界コストをほぼゼロに削減	Waymo：LiDARアノテーションはカメラより高価；1マイルあたりのアノテーションコストが高い	Teslaのカメラのみアーキテクチャで安価な大規模アノテーションが可能
クローズドループデータパイプライン	Teslaが展開したFSDがデータを生成し、自動ラベリングし、新モデルをトレーニングし、OTA経由で展開し、より良いデータを生成、これを繰り返す	Waymo：無人運転がデータを生成し、アノテーションし、トレーニングし、シミュレーションで検証し、展開	TeslaのOTA速度はクローズドループの反復を速め；Waymoのシミュレーション検証ゲートがステップを追加

セクション3 — データストレージとコンピューティングインフラ

コンポーネント	Tesla	Waymo	注記
トレーニングコンピューティング（主要）	Dojoクラスター（Tesla製、ExaPOD約1 ExaFLOP推定値）＋NVIDIA H100/H200 GPU（補完）	Google TPU v5（Alphabetを通じて）；Googleクラウドインフラ	WaymoはGoogleの世界トップクラスTPUインフラを即座に活用；TeslaはDojoで長期コスト優位を構築中
データストレージ（推定値）	ペタバイト級のビデオ；Teslaは正確なストレージ容量を未開示；クラウド＋オンプレミス混合（推定値）	ペタバイト級のマルチモーダルセンサーデータ；Googleクラウドが事実上無制限のストレージを提供	両社とも企業規模のストレージを保有；WaymoのGoogleクラウドアクセスはより柔軟
データ転送帯域幅	車両からクラウドへ：LTE/5G経由の標的クリップアップロード；連続ストリーミングではない	車両からクラウドへ：フラグが立てられたシナリオの選択的アップロード	両社とも選択的アップロードを実施；どちらもすべてのセンサーデータを連続ストリーミングしない
トレーニング実行頻度	FSDアップデートはほぼ月次〜週次で出荷（OTA）；頻繁なトレーニング実行を意味する	Waymoは更新頻度が低い（無人運転にはより多くの検証が必要）；月次〜四半期（推定値）	TeslaのOTA速度がより速いモデル反復を可能に
モデルサイズとアーキテクチャ	FSDは大規模Transformerベースニューラルネットを使用；Teslaはパラメータ数を未開示	Waymoは複数の専門モデル（知覚、予測、計画）を使用；単一のモノリシックモデルではない	異なるアーキテクチャの選択は異なる哲学を反映（エンドツーエンドvsモジュラー）
合成データ拡張	Teslaはシミュレーションを使用して実データを拡張；Dojoは合成＋実データを処理	WaymoのCarCraftシミュレーションは毎日150億シミュレーションマイルを生成（Waymo開示）；拡張に多用	両社とも合成データを多用；Waymoのシミュレーション量が多い

セクション4 — データフライホイール：より多くのデータが自己強化優位を生む方法

ステップ	Teslaフライホイール	Waymoフライホイール	フライホイール強度
ステップ1：収集	600万台が毎日数百万マイルを生成（推定値）；シャドーモードが逸脱を検出	2,500台が毎日5〜10万の無人走行マイルを生成（推定値）	Tesla：収集量500〜1,000倍の優位
ステップ2：ラベリング	自動ラベリングがクリップを処理；困難な事例の人間レビュー	人間＋自動ラベリング；LiDARラベルはより高価	Tesla：1マイルあたりの限界アノテーションコストが低い
ステップ3：トレーニング	Dojo＋NVIDIA；ラベル付きデータで新モデルをトレーニング	Google TPU；ラベル付き＋シミュレーションデータで新モデルをトレーニング	Waymo：今日のコンピューティングインフラが優位；Teslaが追い上げ
ステップ4：展開	600万台へのOTAアップデート；即座の大規模実世界テスト	2,500台への展開；より遅い検証サイクル	Tesla：より速く大規模な展開
ステップ5：繰り返し	高品質なFSDがより良いシャドーデータ→より良いラベル→より良いモデル→より速いサイクルを生む	より安全な無人運転がより良いインシデントデータ→より良いラベル→より良いモデルを生む	両フライホイールが回転；Teslaのはスケールによりより速く回転
フライホイールのボトルネック（Tesla）	品質管理：自動ラベリングスケールでラベルエラーが伝播；系統的ラベルエラー→系統的モデルエラー	—	Teslaはフライホイール品質を維持するためにラベル品質管理に多大な投資が必要
フライホイールのボトルネック（Waymo）	量：2,500台はTeslaの毎日のマイル数の約0.04%を生成；シミュレーションが補完するが実世界とのギャップが残る	—	Waymoは優れたシミュレーションとラベル品質で量のギャップを補完する必要あり

セクション5 — データパイプラインベンチマークスコアカード

次元	Tesla	Waymo	エッジ	2028年の見通し
生データ量	決定的 — 600万台から毎日数百万マイル	控えめ — 2,500台から毎日5〜10万マイル	Tesla	Tesla車隊の成長とともにギャップが拡大
1マイルあたりのデータ豊富度	カメラのみ（よりシンプル、アノテーションコストが低い）	カメラ＋LiDAR＋レーダー（より豊富だがアノテーションコストが高い）	Waymo（1マイルあたりの品質）	豊富度が量のギャップを補えるかに依存
1マイルあたりのアノテーションコスト	低い — 自動ラベリングが成熟；カメラはLiDARより安価	高い — LiDARアノテーションはより高価；より多くの人間レビュー	Tesla	自動ラベリングの改善とともにTeslaの優位が拡大
トレーニングコンピューティング	優位に向けて構築中（Dojo）；現在はNVIDIAで補完	今日は優位 — GoogleのTPUインフラ	Waymo（今日）；Tesla（2027年以降）	Tesla Dojo D2推定2026〜2027年＝変曲点
クローズドループ反復速度	速い — 週次OTA；数百万台のテスト車両	遅い — より多くの検証；テスト車両が少ない	Tesla	Teslaの反復速度の優位は持続的
シミュレーション量	成長中；Dojoが合成データを処理	毎日150億シミュレーションマイル（Waymo開示）	Waymo	Waymoのシミュレーションリードは重要

総合評価

Teslaのデータパイプラインは時間とともに複利で増加する決定的な生量優位を持ちます。Waymoのデータパイプラインは品質優位を持ちます——より豊富なセンサーデータ、より慎重なアノテーション、AV業界で最も洗練されたシミュレーションです。この競争はTeslaの量フライホイールとWaymoの品質フライホイールの間の戦いです。結果はAV能力のフロンティアで品質と量のどちらが重要かに依存します——2026年半ばの時点でこれは真に不確実なままです。

注意： 「（推定値）」と記されたすべての数値は、公開情報、業界調査、アナリスト推計、および2026年半ば時点の報告データに基づいています。本記事は投資アドバイスや製品推薦を構成するものではありません。