GemmaとEdge AIで実現！レースカー向け信頼性AIコーチの挑戦

高速で走行するレースカーの運転席に座ると、最初のコーナーに到達するまでは無重力のように感じられます。しかし、その瞬間、ドライバーは恐怖を感じます。その恐怖は非現実的なものかもしれませんが、コーナーに突入する危険性は現実です。車の限界を超えたり、自分自身の限界を超えたりする危険がそこには存在します。私たちは、この極めて短い時間の中で、ドライバーが時速160kmの実際のレーストラックで信頼できるAIシステムを構築できるでしょうか。

AIレーシングコーチ開発の背景と目的

もしAIがレースカーの中で機能し、人間がそのAIの指示を聞き入れ、信頼できるのであれば、それは医療分野、環境研究分野、そして他の多くの重要なユースケースでも機能する可能性があります。テキストベースのAIは一つの側面ですが、車内で2Gの重力を感じながらトラックを走行している状況では、AIは異なる方法で、そして非常に迅速に指示を出す必要があります。この目標を達成するために「Antigravity」のようなツールが不可欠でした。

立ちはだかる技術的課題

AIレーシングコーチの開発には、いくつかの重大な技術的課題が存在しました。

1. 超低遅延の要件

鍵となる要素の一つは「レイテンシー」、つまり遅延です。ほんの一瞬の遅延であっても、レースの世界では生死を分ける問題になりかねません。リアルタイムでの正確なフィードバックが求められます。

2. オフライン環境での運用

レース中にはWi-Fiが利用できないという制約があります。そのため、クラウドに接続せずにデバイス上で動作するAIモデルが必要とされました。これは、常にインターネット接続が前提となる多くのAIシステムにとって大きな障壁となります。

3. リアルタイムデータ収集の複雑性

ドライバーを高速化するための正確なコーチング提案を行うには、できるだけ多くのデータをLLM（大規模言語モデル）に提供する必要があります。これには、車両からの詳細なテレメトリーデータの収集が伴います。具体的には、CAN（Controller Area Network）システムから、GPSデータ、加速度計、ペダル位置、ステアリングホイール角度センサーといったあらゆる情報を抽出する必要がありました。このデータの取得自体が、専門知識を持たない開発者にとっては大きなハードルでした。

GemmaとEdge AIによる解決策

これらの課題を克服するために、私たちは革新的なアプローチを採用しました。

GeminiからGemmaへの転換

当初はGeminiのようなクラウドベースのAIモデルも検討されましたが、レースカー内ではインターネット接続が利用できないため、断念せざるを得ませんでした。そこで、別のモデルに切り替える必要がありました。そのモデルは十分に高速である必要があります。

Pixelデバイスでのローカル実行

私たちは、Googleのオープンソースモデルである「Gemma」を選定し、非常に具体的なガードレールとアライメントに基づいてファインチューニングを行いました。このGemma 4モデルは、Pixel 10デバイスに搭載されたTPU（Tensor Processing Unit）を利用してデバイス上で実行されます。これにより、インターネット接続が不要なオフライン環境でも、トラック上でコーチングを提供することが可能になりました。

ファインチューニングとガードレール

Gemmaをファインチューニングする際には、私たちがモデルに求めるものに基づいて、非常に具体的なガードレールとアライメント（調整）を設定しました。これにより、AIが安全で適切な指示を生成できるようになります。

「ブレイン転送学習」とコーチングプロセス

AIコーチングシステムでは、「ブレイン転送学習」という手法を用いています。これは、コーチとドライバーが提供する情報をファイルとしてエクスポートし、その情報をデバイス上のLLMが推論に利用するというものです。

走行前後のブリーフィング

AIは、ドライバーに対して走行前と走行後のブリーフィングを行います。

• 走行前: エージェントが以前の走行で収集されたデータを分析し、すべてのターンやミスをチェックします。そして、「今回の走行で重点を置くべき要素はこれです」といった具体的なブリーフィングを作成します。
• 走行後: 走行が終了した後には、目標を達成したかどうかを確認します。

開発の苦難と反復

ソノマ・レースウェイのような技術的に難易度の高いコースでの開発は、多くの挑戦に直面しました。初期バージョンでは、AIコーチが車に乗り込んだ瞬間から話し続け、そのあまりのおしゃべりさに運転に集中できないほどでした。さらに、AIがターンの位置を誤認識し、例えばターン3にいるときにターン1の指示を出すといった問題も発生しました。

しかし、私たちは「Antigravity」のようなツールを活用し、迅速な反復開発を行いました。20分間のトラック走行の間に、問題点を研究し、製品に組み込んで次の走行で試す、というサイクルを繰り返しました。実に6回以上のイテレーションを経て、ようやく正しいコーナーで適切な指示を出せるようになりました。これは、まるで本番環境で構築しているような開発プロセスでした。

AIが信頼を勝ち取る瞬間

開発が進むにつれて、ある日、AIは自信を失ったかのように非常に静かになりました。しかし、突然AIは「ここでスロットルを」と指示を出しました。ドライバーがその指示に従ってスロットルを踏むと、実際にその瞬間、タイムが速くなったのです。この経験を通じて、AIは自ら学び、分析し、コーチとしての自信を少しずつ築き上げていきました。

まとめ：信頼されるAIの未来

多くの人々にとって、AIの能力はまだ未知数であり、その多くはチャットボットのイメージに留まっています。しかし、舞台裏でははるかに多くのことが起こっています。このプロジェクトは、文字通り最先端のリアルワールドでのユースケースを捉え、短期間で信頼できるアプリケーションを構築できることを示しました。もし、もう少し時間と開発期間があれば、さらにどのようなことが可能になるか想像してみてください。

Googleでは、この「信頼できるAIフレームワーク」を多くのアプリケーションに応用し、社会に貢献できることを強く期待しています。レースカーにおけるEdge AIの挑戦は、私たちの生活の多くの側面に影響を与える可能性を秘めているのです。

参考動画

https://www.youtube.com/watch?v=SzmfH4P00vI