コックピットにおけるAIの応用（2026年）

コックピットにおけるAIの活用 - AIサービスはより包括的、便利、そして洗練されてきました。

2026年前半、コックピットのAI機能は、受動的な対応からタイムリーな能動的行動へ、単機能からサービスループへ、そしてクラウド中心からエッジ中心のアプローチへと、多角的な面で初期のアップグレードが行われました。エージェント機能がさらに強化されるにつれ、コックピットAIの能力に対するユーザーの評価基準も変化しています。もはや、どのモデルがより高度な指標を達成するかという点ではなく、どのコックピットAIシステムが真にタスクを遂行し、プライバシーを保護し、ユーザーのニーズを先読みし、ユーザーの要望を理解できるかという点に焦点が当てられています。

ユーザーが実際の体験と有効性を重視するようになったことで、コックピットAIは「より包括的」「より便利」「より洗練された」という3つの主要な方向性に沿って、同時にアップグレードを迫られています。

より包括的 - 「機能」から「システム」へ

2025年、コックピットAIは「機能」として位置づけられ、さまざまな垂直シナリオに焦点を当て、ユーザーの指示に基づいて単発のサービスを完了することができました。

2026年には、主流のフラッグシップ車種のコックピットAIサービスはより「体系的」になり、中央の基盤モデルやエージェントを通じて、もともと分散していた非安全関連のAIアプリケーション機能を連携させて活用できるようになり、オーディオビジュアルエンターテインメント、旅程支援、地域生活サービスといった業界シナリオにおいて、閉ループ型のサービスを実現するようになります。一部のコックピット製品では、自律的な計画に基づいて複数のタスクを段階的に完了させることさえ可能となり、AIサービスシナリオの範囲を大幅に拡大し、ユーザー体験を向上させるとともに、コックピットAIの反復的なアップグレードの基盤を築いています。

特に、AIレベルでのクロスドメイン統合は、AIサービスにとってより「包括的」な技術基盤を築くものであり、一部のOEMではすでにその展開が進められています。

例えば、コックピットと運転の統合を実現したZEEKR 8Xの「Super Eva」は、WAMを中心とした車両AIアーキテクチャに接続されており、常時・全モダリティの知覚、深層思考と意思決定、全領域のスケジューリング（コックピット、運転、シャシー、パワートレインなどの調整）などの機能をサポートしています。また、自己反省と進化が可能であり、使用すればするほどユーザーフレンドリーになっていきます。

具体的なシナリオとしては、Super Evaは、車内および外部のエコシステムを接続し、「話せば処理される」日常タスク（例 - 車内で直接音声操作による食事の注文、ホテルの予約、業務情報の処理など）を可能にするだけでなく、G-ASD 4.0と連携して自動運転やナビゲーションを実現し、「スマートな助手席」から「信頼できるドライバー」へと変貌を遂げ、AIサービスシナリオの範囲をさらに拡大しています。

IMの「IM ULTRA AGENT 1.0」を例に挙げましょう。IM FUSION NOVAによるコックピットと運転の統合、全領域融合インテリジェントアーキテクチャを通じて、IMのコックピットAIシステムは、IM AD ZETAや完全ワイヤー制御のLizard Digital Chassisとの領域横断的な連携を可能にし、走行中に自由に目的地を変更するなどの機能を実現します。また、オーディオビジュアルエンターテインメント、エコシステムの相互接続、パーソナライズされたインタラクションといった安全性を伴わないシナリオにも実装でき、ユーザーのコマンド分析とサービスのクローズドループを完結させることができます。

より便利に：言葉は少なく、行動は多く

利便性とは、ユーザーが望む結果を得るためにどれだけの労力を費やすかによって決まります。

2026年には、ユーザーはAIアプリケーションの効果をより直接的に実感できるようになります。言葉を1つ減らし、クリックを1回減らし、待ち時間を1秒短縮するだけで、体験はさらなる高みへと到達するでしょう。したがって、2026年のコックピットAIは、ユーザーがサービスを利用する際に直面する摩擦をさらに軽減すべきです。つまり、より直接的なインタラクションモード、操作ステップの削減、そして応答速度の向上です。高精度の音声認識（ASR）技術、よりスマートなAIアルゴリズムのスケジューリング、そして人間中心のワークフロー設計を活用することで、冗長な操作やページ遷移を最小限に抑え、1つの文で複数のコマンドを実行できるようにします。

例えば、「子供を迎えに行き、帰宅ルートをナビゲートする」というシナリオを考えてみましょう。

以前 - ユーザーはまず、子供を迎えに行く場所「A」を明確にし、次に「ナビゲーションを開始」と発話します。システムが「どこへ行きたいですか？」と尋ねると、ユーザーは「場所A、XX通り」と答え、システムが「ルートを計画しました」と応答します。つまり、1つのタスクを完了するのに3回のやり取りが必要でした。

現在 - ユーザーは単に「子供を迎えに行く」と言うだけで、AIが記憶されているデータに基づいて自動的に目的地を入力し、ルートを生成します。これにより、1つの曖昧な音声コマンドで3つのタスクを完了させることができます。

例えば、Neusoft OneCoreGo 7.0は、「オールインワン」型のサブソリューション設計を通じて、より包括的で便利なAIサービスを提供します。エージェント間連携技術により、異なる利用シナリオにおける多段階の操作も、単一のコマンドで実行できるようになります。

コックピットAIの利便性を実現するための鍵の一つは、マルチエージェント連携の標準プロトコルと統一されたスケジューリングフレームワークを実装することです。エッジ・クラウド連携の展開環境と組み合わせることで、標準化されたエージェント間の通信、オーケストレーション、および実行プロトコルが、ドメインを跨ぐエージェント間の相互運用性の課題に対処します。

Extour TechnologyのMCP-Agentフレームワークでは、距離検知、店舗選定、ルート計画、決済などを個別のエージェントに分割しています。各エージェントはMCP標準プロトコルを介して相互に連携します。例えば、ユーザーが「低脂肪コーヒーを注文」と発話すると、システムは商品選択から注文、ナビゲーションに至るまでの全プロセスを数分で完了させることができます。

コンテキストウィンドウ最適化技術とメモリモジュールを活用することで、MCP-Agentは、コーヒー注文中のコーヒーの種類、カップサイズ、受け取り場所の変更など、ユーザーの要件に連続的に生じる変化を継続的に追跡することができ、ユーザーが背景情報を改めて述べる必要はありません。サービス間連携のための標準化されたプロトコルに支えられ、バッテリー残量の検出、低カロリーの店舗の絞り込み、ルート計画などのサービスを自動的に連携させることで、「30分後にオフィスに到着する予定なので、低カロリーのコーヒーをいくつかおすすめしてください」といった複雑なリクエストも処理できます。すべてのタスクを1つの音声コマンドで完了できるため、従来のソリューションで見られた複数の独立したアプリケーション間を切り替えるという煩雑な操作が不要となり、ユーザーにとってのAIサービスとのやり取りの利便性が大幅に向上します。

対照的に、NeusoftのNAGIC.AIソリューションにも、さまざまなシナリオに対応するサブエージェントが含まれています。しかし、完全なマルチエージェント連携メカニズムは、Router、HCP、Memory、Function Call（ツールチェーン）といったモジュールの連携によって実現されています。Routerは、ユーザーの曖昧な意図を解析し、対応するシナリオ固有のエージェントを割り当てます。Memoryは、統一されたメモリプールを共有し、異なるエージェント間での意図の実行を実現します。その後、Function Callは各エージェントと連携して、ナビゲーション、ADAS、コックピットIVI、マルチメディアなどの機能をはじめとする、車両の基盤となるハードウェアを呼び出します。

さらに、NAGIC.AIは「分散＋集中型」のソリューションを採用しています。標準化されたインターフェースと統一された推論フレームワークに基づき、異なる演算能力プラットフォーム（高性能チップ／ミッドレンジプラットフォーム）や異なるシステム（Linux／QNX／AutoSAR）への階層的な適応を実現しています。また、組み込み型のHCP（異種コンピューティングプラットフォーム）およびAIプラグインサービスレイヤーを備えており、機能モジュールに対して標準化されたアクセスおよび拡張機能を提供します。

さらなる洗練 - 「暗黙のニーズ・アズ・ア・サービス」への洞察

コックピットAIの「洗練」をめぐる競合は、より鋭敏な知覚、より深い理解、そしてより的確な行動という3つのレベルで展開されています。その中で、ユーザーの「暗黙のニーズ」を感知することは、画期的な進歩の一つとなっています。

ユーザーは車内のコックピットにおいて、「効率的な通勤」や「リラクゼーション」から「社会的交流」に至るまで、多様なニーズを持っています。さまざまなシナリオにおける暗黙のニーズを特定し、満たす必要があります。2026年、コックピットAI製品は通常、知覚、記憶、理解、判断、実行、検証からなるワークフローを通じて、これらの暗黙のニーズを処理します。垂直的なシナリオはあらかじめ設定されており、ドメイン固有のエージェントが採用されて、対応する操作を完了させます：

知覚を例にとると、コックピットAIは視覚、音声、車両信号の統合を開始しています。「モビリティサービス」や「育児」といった限定的なシナリオでは、乗員が音声コマンドを発する前に、その表情、体の動き、まばたきの頻度、ハンドルの持ち方などを感知することで、ユーザーのニーズを事前に予測し、あらかじめ設定された論理的枠組みの中で、エンドツーエンドの先回り型サービスを提供することができます。

OEM各社が特に注目すべきシナリオ機能には、安全シナリオ機能、快適性シナリオ機能、習慣シナリオ機能の3種類があります。

Modelbest Technologyの「SuperMate」を例に挙げると

Modelbest TechnologyのコックピットAIにおける設計コンセプトは、「機能の重ね合わせ」を「極限の暗黙的理解」に置き換え、ディープメモリ、リアルタイム知覚、状況理解、および先回りした行動の閉ループを通じて、「より抑制的で控えめな無意識的なサービス」を実現することです。代表的な機能には、無意識的な車両制御、子供の危険な行動への介入、事故状況の認識、感情的な安らぎの提供などが含まれます。

その中で、最も際立った特徴は、「SuperMate」の事故対応シナリオにおける「能動的＋無意識的なサービス」です。

さらに、他の一般的な車内シナリオ機能と比較して、SenseAutoとNeusoft Groupの両社は、独自のドア開放警告（DOW）機能をリリースしています。このような機能により、ユーザーの暗黙的な安全ニーズは、車内から外部の道路状況へと広がります。

例えば、SenseAutoの「Safety Guardian」エージェントは、基盤モデルの理解能力に基づき、多次元的なリスク識別を実現し、ドア開閉時の衝突や車の傷などの事象を分類・説明します。また、安全クローズドループおよびOpenClawに基づく能動的な警告やリアルタイムのリマインダーを通じて、ユーザーがいつでもどこでも車両の安全状態を監視できるようにし、あらゆるシナリオにおける運転の安全を守ります。

目次

定義

第1章 自動車コックピットにおけるAIの応用シナリオ

• コックピットにおけるAIアプリケーションの現状
• AIコックピットの特徴
• コックピットにおけるAIアプリケーションシナリオ：現状
• コックピットAIの進化
• シナリオ1：音声認識
• 音声認識機能と統合されたAI基盤モデルの開発ロードマップ
• サブシナリオ1：音声認識
• サブシナリオ2：外部音声認識
• 音声対話ソリューションのサプライヤー各社がAI基盤モデルを統合
• シナリオ2：マルチモーダルインタラクション
• 顔認識機能と統合されたAI基盤モデルの開発ロードマップ
• 唇の動き認識シナリオにおける小型モデルの統合
• 虹彩認識シナリオにおける小型モデルの統合
• シナリオ3：IMS
• 機内監視システムの機能実装
• 機内監視シナリオにおけるAIの開発
• 機内監視のためのAIアルゴリズムの例
• 車内モニタリング：チップサプライヤー別AI技術の応用
• シナリオ4：HUD
• HUDにおけるAIアルゴリズムの応用
• シナリオ5：レーダー探知
• レーダーにおけるAIアルゴリズム

第2章 コックピットAIアプリケーションの現状と動向

• コックピットAI市場データ
• AI搭載音声アシスタントの設置数と普及率（2025年）
• 価格帯別AI搭載音声アシスタント普及率（2025年）
• AI搭載音声アシスタントの普及率（レベル別（2025年））
• 新エネルギー車タイプ別AI搭載音声アシスタント普及率（2025年）
• アバターのインストール数と普及率（2025年）
• 価格帯別アバター普及率（2025年）
• アバターの普及率（レベル別（2025年））
• 新エネルギー車種別アバター普及率（2025年）
• AI基盤モデルの導入状況と普及率（2025年）
• 価格帯別AI基盤モデルの普及率（2025年）
• AI基盤モデルの普及率（レベル別（2025年））
• 新エネルギー車タイプ別AI基盤モデルの普及率（2025年）
• コックピットAIの開発動向
• トレンド1：コックピットアシスタントがチャットボットからエージェントへと拡大
• トレンド1：コックピットエージェントアプリケーションの鍵
• トレンド2：統合エージェント基盤に基づくコックピットと運転席の統合
• 2026年のOEMにおけるクロスドメイン統合AIスーパーエージェントレイアウト
• トレンド
• コックピットにおけるAI技術導入のためのリソース計算
• リソース計算（参考用）
• 主要海外ブランドのコックピットAIアシスタントアプリケーションの比較
• さまざまなコックピットAIアルゴリズムの長所と短所

第3章 サプライヤー各社のコックピットAIアプリケーション事例

• サプライヤーによるコックピットAI基盤モデルの概要
• Huawei
• Tencent
• Alibaba
• Baidu
• Zhipu AI
• SenseTime
• iFLYTEK
• AISpeech
• Unisound
• Pachira
• Thundersoft
• Neusoft
• Desay SV
• TINNOVE
• Cerence
• その他
• MINIEYE
• LG
• MediaTek

第4章 OEM各社におけるコックピットAIの応用事例

• OEM向けの基盤モデルアプリケーション
• NIO
• Li Auto
• Lixiang Tongxue
• Xpeng
• Xiaomi
• BYD
• Geely
• Xingrui AI基盤モデル
• Xingrui AI Foundationモデルのアーキテクチャ
• ZEEKR
• Chery
• Changan
• Great Wall Motor
• SAIC
• GAC
• BAIC
• FAW
• JAC
• Tesla
• BMW
• その他