NVIDIAがAlpamayoを商用化、しかしオープンウェイトだけでロボタクシーは実現しない

NVIDIAは今週、Alpamayo 2 Superを商用開発者向けに提供し、Google Newsの見出しだった話題を、オープンな自動運転AIをめぐる重要な試験の場へと変えた。同社は、道路シーンを推論し、運転計画を生成し、その計画を説明するよう設計されたシステムのモデルウェイトと推論コードを公開している。

直ちに変わったのはライセンスであり、公道走行の準備状況ではない。開発者は研究実験に用途を限定せず、このモデルを商用の構成要素として利用できるようになった。これにより、WaymoやTeslaに匹敵する独自の基盤モデル開発プログラムへ資金を投じられない自動車メーカー、ロボタクシー事業者、ソフトウェアサプライヤーにも道が開かれる。

ただし、Alpamayo 2 Superはダウンロードして使えるロボタクシーの運転手ではない。これは、学習、ラベリング、シミュレーション、評価、カスタマイズを目的とした大規模な教師モデルだ。量産車には依然として、より小型の車載モデル、冗長化された安全システム、広範な検証、規制当局の承認が必要となる。

この違いが、争点の中心を形作っている。NVIDIAは、オープンプラットフォームを自動運転車開発の共通基盤にしたい考えだ。対照的に、独自路線の事業者は、データ、ソフトウェア、車両、運用を統合することが依然として不可欠だと、その投資を通じて主張している。

Google Newsの見出しが実際に変えたこと

NVIDIAはAlpamayo 2 Superを、夏に提供予定としていた段階から、商用利用可能な開発リソースへと移行させた。

NVIDIAは2026年6月1日、GTC Taipeiでこのモデルを発表した。その時点で同社は、ウェイトと推論コードを夏の間に提供するとしていた。現在、関連リポジトリはHugging FaceとGitHubを通じて利用可能になっている。

今回の公開が重要なのは、従来のAlpamayoの利用可能性には、研究や実験を主な対象とする、より制限的な前提が伴っていたためだ。商用利用可能なウェイトにより、企業はライセンスおよび適用法令に従うことを条件に、モデル出力を収益を生む開発プログラムへ組み込める。

推論コードにはApache License 2.0が使われている。ウェイトにはNVIDIAのOpen Model Development and Weight licenseが適用され、リポジトリ内ではOpenMDW-1.1として示されている。開発者は、想定する導入、データ、配布の形態について、その条件を引き続き精査する必要がある。

「オープンモデル」という表現にも正確さが必要だ。これは、開発者がウェイトと補助コードにアクセスできることを意味する。一方で、すべての学習事例、データクレンジングの判断、アノテーション工程、モデルの背景にある社内実験までが必ず開示されるとは限らない。

Alpamayo 2 Superは、VLA、すなわちビジョン・言語・アクションモデルだ。VLAは視覚および文脈的な入力を処理し、言語的な表現を用いて推論し、行動案を生成する。

自動運転において、こうした行動案には将来の軌道とメタアクションが含まれる。メタアクションは、譲る、停止する、車線変更するといったより上位の判断を表し、下流のプランナーがそれを車両の挙動へ変換できる。

NVIDIAはAlpamayo 2 Superについて、同社のCosmos 3 Super Reasonerバックボーンを基盤とする、320億パラメータの推論モデルだと説明している。公開リポジトリでは、コンポーネントの境界によってパラメータ数の数え方が異なり得ることを反映し、完全なリリースを340億パラメータのマルチタスク基盤モデルとして説明している。

モデルの規模だけが今回の変化ではない。このモデルはサラウンドビューカメラ入力を受け入れ、主に前方を見るのではなく、前方、側方、後方の文脈を扱える。

また、推論の記述を画像内の可視領域に結び付ける2次元グラウンディングにも対応する。これにより開発者は、説明された判断が、実際に計画へ影響を与えた歩行者、車両、車線表示、障害物を参照しているかを確認しやすくなる。

したがって、商用リリースによって変わるのは、誰が実験できるか、そしてモデルの周辺で何を構築できるかだ。公道で自動運転車を導入するための法的基準は変わらない。

開発者はAlpamayo 2 Superを用いて、フリート映像のラベリング、別のポリシーの評価、より小型のモデルの学習を行える。だが、これらの作業のいずれも、それだけで得られたシステムが車両を制御するのに十分安全であることを示すものではない。

Google Newsのカードがこの話題を「NVIDIAが自動運転AIモデルを商用化」と要約すると、この留保は見落とされがちだ。正確で有用な読み方はより限定的である。NVIDIAが商用化したのは、完成済みの自動運転サービスではなく、開発基盤へのアクセスだ。

NVIDIAは自動運転車を支える共通レイヤーを目指す

商用のAlpamayoへのアクセスは、高度な自動運転機能を必要としながらも、最大規模の独自開発予算には対抗できない企業に圧力をかける。

WaymoとTeslaは長年をかけ、独自の走行データ、車載ハードウェア、シミュレーション、ニューラルネットワーク、運用経験を中心とした統合システムを構築してきた。その優位性は、ダウンロード可能な単一のモデルへ還元できるものではない。

大半の自動車メーカーは異なる選択に直面している。自動運転スタック全体を社内で構築するか、複数のサプライヤーからのコンポーネントを組み合わせるか、あるいは基盤となるコンピューティングと開発インフラの多くを提供するプラットフォームを採用するかだ。

NVIDIAが追求しているのは3番目の道である。その戦略は、データセンター向け学習ハードウェア、シミュレーションソフトウェア、生成型ワールドモデル、車載コンピューター、センサーのリファレンスデザイン、自動運転モデルにまたがる。

NVIDIAの自動車部門責任者であるAli Kani氏は、Hyperionを自動車向けの「Wintel」プラットフォームにするという狙いを語った。この比較は、パーソナルコンピューターの一般的な基盤となったMicrosoftとIntelの組み合わせを指している。

この比喩は、NVIDIAの販売目標以上のものを示している。同社は、自動車メーカーが車両体験で差別化を図る一方、その下層では共通の技術レイヤーに依存することを望んでいる。

Alpamayoはその訴求を強める。モデル開発は、現代の自動運転プログラムで最もコストのかかる部分の一つだからだ。再利用可能な基盤モデルは、メーカーがシステムを自社の車両やデータへ適応させる前に必要となる作業を減らせる。

報告されている採用状況は早期の兆候にはなるが、量産利用の証拠ではない。NVIDIAは、Alpamayoファミリーのダウンロード数が6月までに40万件に近づいたと述べた一方、関連するHugging Faceの投稿では、その総数はすでにその水準を超えたと説明されている。

ダウンロード数は関心を測るものであり、導入の成功を測るものではない。一つの組織がモデルを繰り返しダウンロードすることもあり、多くの利用者は評価段階を越えない。それでも、最初のAlpamayoリリースから数か月で、相応の開発者の注目を集めたことを示す数値ではある。

より広いプラットフォームには、すでに自動車業界との関係がある。Mercedes-BenzはCLAの強化されたレベル2システムにNVIDIAのフルドライビングスタックを使用しており、この場合、運転者は引き続き責任を負い、注意を払う必要がある。

NVIDIAはまた、北米、欧州、アジアの自動車メーカーやモビリティ企業に関わる提携も発表している。こうしたつながりは、独立したモデル研究所なら構築に何年もかかる配布チャネルをAlpamayoにもたらす可能性がある。

商用モデルは、こうした顧客との交渉を変える。自動車メーカーはウェイトを検証し、社内データでテストし、カスタマイズした結果を独自仕様のサプライヤー製品と比較できる。

また、完全なモデルを車両に搭載せず、Alpamayoを教師として使うこともできる。モデル蒸留は、大規模モデルから選択した振る舞いを、メモリ、レイテンシー、消費電力の制約がより厳しい小型システムへ移す手法だ。

この経路が重要なのは、データセンター規模の推論モデルが、自動車の制約下で動作する車載コンピューターには適しにくいためだ。車両には、予測可能な応答時間、熱制御、耐故障性、そして長年にわたるコンポーネントサポートが必要になる。

商用ライセンスは、小規模な自動運転チームにも別の選択肢を与える。ロボタクシーのスタートアップは、すべての表現をゼロから作る代わりに、事前学習済みのシーン理解から始められる。

サプライヤーは、ラベリング、シミュレーション、評価、フリートデータ分析を中心とした専門ツールも構築できる。こうした用途は、操舵やブレーキを直接制御するソフトウェアよりも早く顧客へ届く可能性がある。

これが、Google Newsでの出来事が一つのモデルダウンロードを超えて重要な理由だ。NVIDIAは基盤レイヤーでの参入障壁を下げる一方、それを取り巻くコンピューティング、シミュレーション、車載プラットフォームへの需要を生み出している。

真の製品はデータとシミュレーションのループ

Alpamayo 2 Superは、ロボタクシーへ直接コピーするモデルとしてではなく、開発ループの中心として最も価値が高い。

自動運転車が最も苦戦するのはロングテール事象、すなわち十分な規模で収集・ラベル付けするのが難しい、まれな状況だ。例としては、通常とは異なる道路工事、一部が隠れた歩行者、相反するジェスチャー、通常の交通パターンから外れた挙動をする車両などがある。

従来の模倣学習システムは、記録された事例を学習し、観察された運転行動を再現する。この手法は、新しいシーンが学習分布に似ている場合にうまく機能する。

まれな要素の組み合わせは、その弱点を露呈させる。システムは個々の物体を認識できても、それらの因果関係を誤解することがある。

NVIDIAのChain-of-Causationアプローチは、軌道と、その選択を導いた要因の構造化された説明を組み合わせる。狙いは、モデルが重要だと述べるものと、実際に何を行おうとしているかを一致させることだ。

単純なケースでは、モデルは遮蔽された横断歩道を特定し、それを縁石へ近づく歩行者と結び付け、譲ることを選択するかもしれない。この推論トレースは、開発者が検査できる追加の対象となる。

このトレースは、真の理解と同義ではない。言語モデルは、誤った視覚的証拠に依存しながらも、もっともらしく聞こえる説明を生成することがある。

2次元グラウンディングは、推論をカメラ画像の一部に結び付けることで、この問題を減らすことを意図している。開発者は、モデルの説明が関連する道路利用者を指しているのか、それともシーンに存在しない要因をでっち上げているのかを調べられる。

Alpamayo 2 Superは、完全な軌道とより上位のメタアクションも生成する。この組み合わせにより、チームは表明された意図、予測経路、下流の運転コマンドを比較できる。

NVIDIAの先行するAlpamayo researchでは、軌道のみのベースラインと比べ、推論によって難易度の高いケースにおける計画精度が最大12％向上したと報告されている。この論文は、シミュレーションにおいて、道路逸脱率および近接遭遇率が低下したことも報告している。

これらの結果は、NVIDIAの研究者と選定された評価条件から得られたものだ。さらなるテストを裏付けるものではあるが、あらゆる都市、車両、センサー構成、気象条件にわたる性能を示すものではない。

したがって、より広いプラットフォームはモデルと同じくらい重要になる。AlpaSimは、車両の行動が次に起きることを変えるクローズドループシミュレーションを提供する。

クローズドループ試験は、記録されたシーンに対して単一の予測を評価することとは異なる。シミュレーション上の車両が遅れて曲がれば、周囲のエージェントが反応し、次のカメラビューが変化し、誤差が増幅する可能性がある。

AlpaGymは、このプロセスを強化学習へ拡張する。モデルは反復的な相互作用からフィードバックを受け、シミュレーション内の結果に基づいてポリシーを調整する。

NVIDIAのclosed-loop frameworkは、静的なログ再生では見逃される可能性がある失敗を露出させるよう設計されている。同社によると、単一GPUからより大規模なクラスターまで拡張できる。

Cosmos-Dreamsは生成型シミュレーションを加える。ワールドモデルは、公道であらゆる組み合わせを収集しなくても、天候、照明、交通、視界、その他の条件に関するバリエーションを生成できる。

NuRecは、実際のフリート記録から三次元シーンを再構築することで、このループの別の部分を担う。開発者は視点、センサー配置、交通挙動を変更しながら、これらの環境を再生できる。

その後、Alpamayo 2 Superは生成されたデータにラベルを付与し、計画を批評し、より小型のポリシーを学習させられる。新たな失敗はシミュレーションに戻され、次の学習・評価サイクルを生み出す。

この統合ループは、NVIDIAの商業的な狙いを説明している。オープンな重みは開発者を引き付ける一方、反復的な学習とシミュレーションは多大なコンピューティング資源を消費する。

モデルは自由に検証できても、その周辺ワークフローはNVIDIAのハードウェアやサービスへの需要を生み出し続ける。他のオープンモデル戦略でも、アクセス可能な重みがインフラ市場を拡大するという点で、これと似た構図が見られる。

また、競争上の脅威も明確になる。NVIDIAは単に別の運転ポリシーを提供しているのではない。多様なポリシーを作成、テスト、改良するための共通ファクトリーを提案している。

オープンな重みは、プロプライエタリなスタックに取って代わらずに挑戦する

NVIDIAの主な競争は、あるモデルと別のベンチマーク首位モデルとの対決ではなく、オープンプラットフォーム開発と垂直統合型自動運転の対決である。

Waymoは、車両、センサー、マッピング、シミュレーション、フリート運用、遠隔支援、商用配車サービスを含む接続されたシステムを管理している。その運用データは、実際のロボタクシーネットワークから得られる。

Teslaは別のプロプライエタリな道を進んでいる。顧客車両からデータを収集し、自社ハードウェアと自社車両に密接に結び付いた統合運転スタックを開発している。

NVIDIAはメーカーに対し、あらゆる基盤コンポーネントを一から作り直すことを避ける手段を提供する。顧客はそのプラットフォームの一部を選択し、モデルをカスタマイズし、自社の車両プログラムを維持できる。

この開放性は実験を加速させ得る。研究者は出力を検証し、テストを再現し、モデルをファインチューニングし、クローズドベンダーの製品サイクルを待たずに失敗モードを特定できる。

商用利用の許可は、こうした利点をサプライヤーとの関係にも広げる。企業は、すべての実験を非商用研究として扱うことなく、社内ツールや顧客向け開発サービスを構築できる。

ただし、プロプライエタリな運用者には、重みだけでは得られない優位性が残る。実際のフリートでの運用は、乗降エリア、緊急車両、工事作業員、乗客の行動、変化する地域規則に関わる運用上の失敗を明らかにする。

実運用の自動運転はデータ品質にも依存する。映像が限定的、あるいは地理的に偏っているメーカーは、基盤モデルがそうした不足を解消すると想定できない。

センサーの違いも別の障壁となる。カメラの配置、レンズ特性、タイミング、キャリブレーション、レーダー、lidar、車両ダイナミクスはいずれも、運転システムが何を観測し、どう行動するかに影響する。

NVIDIAは参照設計と適応ツールを提供するが、各導入ではなお対象車両に合わせたエンジニアリングが必要となる。あるセンサー構成で学習されたモデルを、別の構成でも検証済みと見なすことはできない。

QualcommとMobileyeは、サプライヤー側からも圧力をかけている。Qualcommはエネルギー効率の高い車載コンピューティングとコネクテッドカー統合を重視し、Mobileyeは運転支援ソフトウェア、マッピング、チップ、安全性重視のアーキテクチャを組み合わせている。

業界分析は、自動車メーカーが垂直統合された単一のNVIDIAプラットフォームへの標準化をためらう可能性があると指摘した。サプライチェーンへの依存と交渉力低下は、正当な懸念として残る。

オープンモデルへのアクセスは、この懸念を完全には解消しない。開発者はAlpamayoを検証・カスタマイズできても、NVIDIA GPU、ソフトウェアライブラリ、シミュレーションコンポーネント、DRIVEハードウェアに依存し続ける可能性がある。

したがって、戦略上の問いはAlpamayoが絶対的な意味でオープンかクローズドかではない。このモデルが、スタック内の他の部分への依存を相殺できるほどの制御を顧客に与えるかどうかである。

自動車メーカーは、個々のコンポーネントを交換できるモジュール型の構成を好むかもしれない。NVIDIAは、こうしたコンポーネントが自社環境内で最も効果的に連携する場合に利益を得る。

この緊張関係は、「Wintel」の比喩で引き合いに出されるPC市場を形作った。標準化は開発コストを下げ、ソフトウェア互換性を広げたが、プラットフォームベンダーへの影響力の集中も招いた。

自動車では、より大きなリスクが伴う。プラットフォームの選択は、安全認証、修理可能性、供給継続性、サイバーセキュリティ、そして長年にわたるソフトウェア保守に影響し得る。

NVIDIAの自動運転モデルは、メーカーに信頼できる出発点を与える。しかし、スピードと引き換えにどれだけのプラットフォーム制御を手放すべきかという問いには答えない。

Google Newsの報道が商用利用の許可に自然と焦点を当てるのは、それが明確な出来事だからだ。購入者は、統合コスト、検証根拠、ライセンスの安定性、ハードウェアへのコミットメントを含む、より長い検討項目に注目するだろう。

商用利用は自動車向け検証を意味しない

最大の未解決課題は、透明な推論が、その複雑さの増加を正当化するほど安全性を改善するかどうかである。

NVIDIAは、Alpamayoが車両による稀な事象の推論や意思決定の説明を支援できるとしている。どちらの主張にも慎重な解釈が必要だ。

推論トレースはデバッグを容易にし得る。モデルが誤った挙動を示した際、エンジニアは特定された危険、提案された行動、生成された軌道を比較できる。

しかし、説明は安全性の保証ではない。モデルは正しい懸念を述べながら誤った経路を生成することがある。また、わずかに異なるシーンでは破綻する理由によって、正しい経路を生成する場合もある。

元のAlpamayoドキュメントは、そのモデルを完全な運転スタックではなく研究用の構成要素として明示的に説明していた。重要な実世界入力、冗長な安全機構、自動車グレードの検証が欠けていた。

Alpamayo 2 Superはアーキテクチャと商用権を拡張したが、導入における根本的な区別は残る。基盤モデルは、故障を検出し安全に応答できるシステムの内部に置かれなければならない。

モデル規模も実用上の制約となる。NVIDIAはAlpamayo 2 Superを、知識を小型の車載ポリシーへ移転できるオフライン教師として位置付けている。

蒸留には固有の検証負担が伴う。小型の生徒モデルは教師のあらゆる能力を保持しないため、総合ベンチマークスコアは稀なシナリオでの失敗を隠し得る。

チームは蒸留済みモデルを直接テストしなければならない。教師の結果を、車載対応の生徒が同一の挙動を示す証拠として引用することはできない。

今回のリリースにおけるベンチマーク主張も、主としてNVIDIAによるものだ。独立研究者が結果を再現し、異なるデータセットをテストし、元の評価で重視されなかったケースを検証するには時間が必要である。

先行するモデル研究では、ノイズの多い自動ラベル、限定的な汎化、弱い視覚的グラウンディング、推論と行動の不整合など、よく知られたリスクが特定されていた。強化学習は測定された問題を低減したが、これらのカテゴリーを排除したわけではない。

生成型シミュレーションは、関連するトレードオフをもたらす。合成シナリオは、物理的なデータ収集よりはるかに低いコストで稀な条件を増やせる。

ただし、シミュレーターは独自の仮定を反映する。ポリシーはシミュレートされた交通エージェントに対して良好に機能しても、実際の人々が異なる行動を取ると失敗する可能性がある。

解決策はシミュレーションを退けることではない。公道テストではあらゆる危険な組み合わせを安全に列挙できないため、自動運転開発者にはシミュレーションが必要である。

その代わり、企業はシミュレーション結果を、管理されたテストコースでの試験、シャドーモード評価、セーフティドライバープログラム、慎重に範囲を限定した導入へ結び付ける必要がある。各層は異なる失敗を捉える。

規制当局も、流暢な説明を超える証拠に関心を持つ。文書化された安全ケース、再現可能なテスト手順、インシデント報告、ソフトウェア変更管理、サプライヤー間の明確な責任分担が必要となる。

商用ライセンスは説明責任をさらに複雑にする場合もある。自動車メーカーがプロプライエタリなフリートデータを用いてNVIDIAモデルをファインチューニングする場合、責任は基盤提供者、統合事業者、メーカー、運用者に分散する。

サイバーセキュリティにも同様の注意が必要だ。アクセス可能な重みは防御側によるモデル研究を助ける一方、研究者や攻撃者が予測可能な弱点を探すことも可能にする。

開放性も秘匿性も、それだけで安全なソフトウェアを生み出すわけではない。重要なのは、開発者が規律ある評価、開示、パッチ適用、運用管理を維持するかどうかである。

したがって読者は、二つの安易な結論を避けるべきだ。Alpamayo 2 Superは公道認証を欠くから無関係なのではなく、商用利用が許可されているから公道走行に対応しているわけでもない。

正確な中間的立場には、より厳しい見方が求められる。NVIDIAは技術的に重要な開発基盤を公開したが、その安全上の価値は、その周囲で構築、テスト、統治されるすべてに依存する。

このGoogle Newsの瞬間の後に注目すべきこと

Alpamayoが業界の基盤となるのか、それとも影響力のある研究リリースにとどまるのかを示すシグナルは三つある。

第一のシグナルは、独立した技術評価だ。研究者は現在、モデルの重みと推論コードにアクセスでき、NVIDIAの結果を再現する機会を得ている。

有用なテストは平均軌道精度以上を検証すべきだ。衝突関連の挙動、道路逸脱イベント、推論と行動の整合性、キャリブレーション、レイテンシー、センサーや天候の変化下での性能を測定する必要がある。

独立した比較では、Alpamayo 2 Superと蒸留済みの車載モデルも区別しなければならない。強力な教師モデルの結果だけでは、車両制約下で小型ポリシーがどのように機能するかは決まらない。

複数のデータセットで再現可能な改善が確認されれば、推論モデルがロングテールの運転により良い基盤を提供するというNVIDIAの主張は強まる。大きな性能変動が見られれば、標準化の根拠は弱まるだろう。

第二のシグナルは、明確なユースケースを伴う、実名での商用採用だ。パートナースライド上のロゴが示す情報は、具体的な本番ワークフローより少ない。

最も有益な発表は、顧客がAlpamayoをデータラベリング、シミュレーション、ポリシー学習、検証、あるいは車載運転機能のどこで利用するのかを説明するものだ。各用途には異なる技術的・規制上の負担が伴う。

短期的な採用は、おそらくオフラインタスクに集中する。自動ラベリングやモデル評価は、基盤モデルに車両の直接制御を与えることなく価値を提供できる。

アノテーションサイクルの短縮や失敗発見の向上を報告する顧客が現れれば、プラットフォームの経済性が裏付けられる。公道導入はより目立つが、はるかに強力な裏付け証拠も必要となる。

第三のシグナルは、独立して評価された車両プログラムへの統合である。Mercedes-Benz、ロボタクシーのパートナー、その他のDRIVE顧客は、NVIDIAにこうした証拠へ至る複数の道筋を与える。

重要な問いは責任と測定に関わる。どのコンポーネントが運転判断を下し、どのシステムがそれを監視し、どの安全プロセスがソフトウェア更新を統治するのか。

規制当局への提出書類、必要な場合のディスエンゲージメントデータ、インシデント報告、第三者による安全評価は、デモ動画より重要になる。それらは、推論が管理された例の外で運用を改善するかどうかを明らかにし得る。

競合各社の対応も、この第三のシグナルに関する手掛かりとなる。Qualcomm、Mobileye、Waymo、Tesla、オープンな研究グループは、Alpamayoとまったく同じアーキテクチャを模倣する必要はない。

ただし、プラットフォーム論には答える必要がある。プロプライエタリな運用者はより強力な安全性の証拠を公開でき、サプライヤーはよりモジュール型のモデル、より低いコンピューティング要件、またはより明確な安全アーキテクチャを提供できる。

開発者にとって、当面必要なのは規律ある評価だ。モデルカードとライセンスを読み、狭いユースケースを定義し、テスト記録を保存し、企業の主張と再現された結果を分けて扱うこと。

エンタープライズの購入者にとって、優先事項はアーキテクチャの制御性です。どのNVIDIAコンポーネントが置き換え可能か、独自データの可搬性がどの程度維持されるか、カスタマイズしたモデルに長期的なサポートをどう提供するかを確認する必要があります。

研究者にとって、このリリースは、クローズドなロボタクシー組織の外部で大規模な運転基盤モデルを検証できる貴重な機会を生み出します。このアクセスは、能力に関する研究と批判的な検証の双方を前進させる可能性があります。

元のGoogle Newsの見出しは、実際の転換点を捉えています。NVIDIAは自動運転AIモデルへのアクセスを商用化しました。ただし、アクセス可能な重みから、説明責任を伴う道路上での挙動へという、より難しい転換については触れていません。

この第二の転換が、Alpamayoが自動車業界の共有インフラとなるかを左右します。このプラットフォームへの投資判断を確定的なものとして扱う前に、独立した評価、具体的な顧客ワークフロー、検証済みの車両統合を注視してください。