（※本記事は一部自動翻訳サービスを利用して翻訳されています。） ChatGPTに搭載されているような大規模言語モデル（LLM: Large Language Model）は、文脈を理解し、ニュアンスのある応答を生成する能力によって、AI開発にパラダイムシフトを起こしています。自動車業界におけるLLMの活用により、 顧客体験の大幅な向上、技術診断の支援、自動運転車の開発への貢献が期待されます。
しかしながら、この強力な技術をビジネスに導入する前に、課題と限界に対処する必要があります。このような課題や限界には、データおよびコンピューティングリソースの要件、潜在的な誤情報、プライバシーおよびデータセキュリティが含まれます。
同分野における動向
この半年でAI開発にパラダイムシフトが起きています。LLMが確立し、AIの成長における大規模な飛躍を達成しようとしています。この進歩以来、多くのテック企業が、より信頼性が高く、正確で、インテリジェントなシステムを開発しようと競い合っています。
ここ数カ月の間に、AIを搭載した新しいアプリケーションが数多くリリースされています。そのほとんどは、GPT-3、GPT-4、PaLM、LLaMAといった主流のLLMを利用しています。
LLMは高額で、LLMのトレーニング、微調整には、コンピューティングリソースに数百万ドルのコストがかかります。これは、AIに関わる人材やデータ、その他のインフラにかかる費用を除いたものです。
OPENAIは、Microsoftからコンピューティングリソースと資金の提供を受けています。
OPENAI、Google、Microsoftなどのプレーヤーは、さまざまな理由で「クローズドソース」戦略を選択しています。
Meta AIは、Imagebind、SAM、MMS、そして有名なLLaMAを含む新しいLLMの開発に注力しており、オープンソースアプローチを採用することを決めました。
Huggingfaceは、最大のオープンソースAIコミュニティです。
なぜ、それが重要なのか？
AIによる新たな波は、ほとんどの業界のビジネスプロセスの多くに影響を与えるでしょう。自動車も例外ではありません。SBDは、10の潜在的なAIユースケースを特定し、それらを4つのパーソナルモビリティの成果に照らして分類しました。
LLMは、人間の言語からプログラミング言語まで、複数の言語理解を得意としています。
これまでのDeep Learningモデルと比較して、その優れた機能は以下の通り：
1. 様々な言語の理解と操作に習熟していること。
2. 一般的な知識を理解し、保持する能力。
3. 論理的思考、COT（Chain of Thought）に習熟していること。
現在は高度なAI開発の初期段階にあり、今後のAIの軌跡は、どの程度のスピードで開発が進むのか、AIを制御／監視するための法整備はどうなるのか、といった不確実性をはらんでいます。
また、AIのトレーニングのために入力データが悪用される可能性があるなど、安全性やプライバシーに関する懸念も解決する必要があります。
今後の展望
最新のLLMの能力は、現在の他のAIモデルを凌駕していますが、その構築は容易ではなく、維持にはコストがかかります。OEMは、LLMがさまざまなビジネス活動に与える影響を十分に理解した上で、確固たるAI戦略を策定し、この競争に参加するための実行可能な計画を立てる必要があります。AI統合にいち早く取り組んだOEMは、大きな優位性を持つことになるでしょう。
LLMは、ソフトウェア開発の効率と品質を大幅に向上させ、OEMが顧客の要求に迅速に対応することを可能にします。
LLMはユニバーサルソリューションというわけではなく、特定のユースケースでは依然として特定のAIモデルが優れています。したがって、OEMはさまざまなモデルを単一のプラットフォームに統合する必要があり、長期的な管理のためのAIミドルウェアが必要です。
ChatGPTのような既存の生成型AIアプリケーションの中には、プロンプトや入力を学習データとして使用するものがあり、プライバシー問題やデータ漏えいにつながる可能性があります。企業は、社員がAIを業務で使い始める前に、明確なポリシーを策定する必要があります。
マルチモーダルは成熟しています。AIは人工生成知能（AGI：Artificial Generative Intelligence）に向かって未だ初期段階ではあるものの急速に進んでいます。小規模で初期のプロジェクトを始めることで、OEMはAIの潜在能力を活用するために重要な経験と理解を得ることができます。
OEMは、AIの潜在能力をビジネスの成長に活用するために、包括的なAI戦略とポリシーを考案し、セキュリティを確保するとともに管理できるようにしておく必要がある。
ビジネス課題を解決できるユースケースを特定し、選択する。
データサイエンティストやAI開発者などのAI人材がさらに高額になる前に獲得する。
LLMのトレーニング＆チューニングに必要なデータセットを準備する。それらデータセットはクリーンで良質であること。
用途に応じて適切なモデルを選択すること。AIインフラが高価で希少なため、OEMは生産性、コスト、データセキュリティを考慮し、戦略的に調達先を選択する必要がある。
注視すべきこととは？
先進AIの開発はここ数カ月で加速しており、現在の競争は最も強力なLLMを構築することにある。AGIの火花".
今日のLLMにおける競争は、十分な資金、AIの才能、データを持つ少数の大企業テックジャイアントの間で繰り広げられています。
現在の主要なLLMのほとんどはクローズドソースで、オープンソースのアプローチをしているのはMetaだけです。一方、より多くのオープンソースのLLMが急速に発展しています。
OEMが独自の基盤モデルを持つための選択肢は次の3つ：
1. ゼロから自社で構築
2. オープンソースモデルからトレーニング
3. AIaaSプロバイダを利用する
今後1～2年の間に、企業が低コストで基礎モデルのトレーニングやチューニングを行えるようなツールが増えると見られます。
LLMをビジネスアプリケーションに完全に組み込むには、基礎モデルのトレーニングの後に、もう1つのミドルウェア層が必要になります。
LLMを生産モデルに搭載する前に、AIインフラを技術面、コスト面から十分に計画する必要があります。
とるべき対応
Understand
まず、さまざまなLLMの能力と限界を理解し、プロンプトエンジニアリングを使ってより良い活用方法を模索する必要があります。
Assess
自動車業界内の潜在的なユースケースを評価し、自社の業務にマッピングするとともに、偏見やプライバシーを含む倫理的な検討事項に留意することが重要です。
Prepare
AI戦略を定義し、データ、モデル、人材、インフラなど、独自の基礎モデル構築の主要リソースを計画する必要があります。
詳細に関するお問い合わせ
SBD Automotiveではカスタムプロジェクトを通じて、クライアントが新たな課題や機会へ取り組むことを支援しています。最近のプロジェクトに関する詳細や、その他ご要望については下記までお問い合わせください。
関連コンテンツ:
