2026年第3四半期アーニングズコール、2026年11月18日
強固な安全性とコストのシグナルとして浮上する保険料
Pony AI(小馬智行)の第3四半期決算説明会における最も具体的で新しいデータポイントは、同社の安全実績に関する第三者機関による評価だった。ジェームズ・ペン(James Peng)会長兼CEOは、同社が最近自動車保険を更新し、第7世代(Gen 7)ロボタクシー1台あたりの年間保険料が人間が運転するタクシーの平均の40%に低下したと述べた。昨年の50%からさらに低下したことになる。「これは当社の優れた安全実績を示す明確な指標だ」とペン氏は語った。レオ・ワン(Leo Wang)CFOは、車両コストの上昇は通常、修理費の増加を通じて保険料を押し上げる要因になるものの、安全実績が「この上昇圧力を十分に相殺した」と付け加え、この結果をフリート運営コストにおける構造的な削減であると表現した。質疑応答においてワン氏は、Gen 7フリートの1台あたりの保険料が今年に入ってさらに19%低下したと述べた。
PonyWorld:核心的な技術論拠としてのシミュレーション上でのポストトレーニング
ティンチェン・ロウ(Tiancheng Lou)CTOは説明会を使い、同社の技術的テーゼを詳細に解説した。物理AI(Physical AI)は、最先端の言語モデルと同じ事前学習(pretraining)とポストトレーニング(post-training)の2つのステージに従うと同氏は述べた。マルチモーダルデータに対する事前学習は基本的な運転スキルを構築するものの、「人間の運転データに制限されるため、ロングテールのハルシネーション(幻覚)が未解決のまま残る」という。その上限を突破するには、ポストトレーニングにおける強化学習が必要であり、同氏の言葉を借りれば「コア作業の90%から95%以上がそこで行われる」のだ。
それが「閉ループ型バーチャル自動車学校」とロウ氏が称するPonyWorldの役割である。同氏によると、同シミュレータは現在、毎週100億キロメートルのトレーニングを生成している。ここでの核心的な課題はシム・トゥ・リアル(sim-to-real)のギャップである。すなわち、イベントのシミュレーション分布が現実に酷似していなければならない。なぜなら、出現頻度が低すぎるエッジケースは学習されず、逆に誇張されたエッジケースは運転ポリシーを過度に保守的にしてしまうからだ。ロウ氏は、Ponyが公共道路でのフリート運行から得たエッジケースによってシミュレータの精度が自動的に高まる、自己進化型のパイプラインを構築したと述べた。最新のイテレーションであるPonyWorld 2.0について同氏は、ワールドモデルのトレーニングに必要な時間と計算量を1桁削減すると説明した。
ロウ氏は、このシステムをもたらす4つの商業的成果を結びつけて説明した。第1は安全性であり、周囲の道路利用者のすべての意図と軌跡を生成して展開前に運転ポリシーをストレステストする「意図列挙(intention enumeration)」と呼ぶ手法を活用している。第2は再学習を伴わないエリア拡張である。交通ルールや運転スタイルが一貫している場所では、モデルは再学習なしで一般化(ジェネラライズ)するため、広州市の1,000平方キロメートル超から「数万平方キロメートル」への拡大は「純粋に車両展開を増やすことの関数」になるという。第3は、現地化されたインタラクション・トレーニングを通じた国際展開であり、これが数か月内でのザグレブにおける無人運転(ドライバーレス)移行を可能にしたとロウ氏は評価した。第4はクロスプラットフォームの一般化であり、ロボタクシーとロボトラックが1つのコアアーキテクチャを共有し、ポストトレーニングを通じて大型トラックや小型トラックに適応する点にある。
モートとコンピュート:ボトルネックにならず、模倣も不可能
シティからのチップ(半導体)規制に関する質問に対し、ロウ氏はPonyは「AIコンピュートのボトルネックに直面していない」と答えた。車載面では、Gen 7ロボタクシーが昨年4月の発表以来車載グレードのチップで稼働しており、これがBOM(部品表)コストと消費電力を引き下げ、1回あたりの充電走行距離を延ばしていると説明した。トレーニング面については、車載モデルが大規模言語モデルよりもはるかに小さく、ポストトレーニングの計算の大部分はワールドモデル内でのシミュレーション実行に費やされるため、事前学習よりもはるかに少ないコンピュートで済むと述べた。また、Ponyは車載グレードチップでL4の無人運転を達成した最初の企業であり、車載コンピュートに大きく依存し、より大規模なモデルや多くのトレーニング用コンピュートを必要とする他のL4プレイヤーとは対照的であると強調した。ロウ氏はさらに、Ponyがモデルトレーニングのために複数の中国製チップを評価し、すでにトレーニングパイプラインをそれらの上で展開しているとし、「必要であれば、それらのチップ上でモデルをトレーニングできる」と付け加えた。
ブルームバーグ・インテリジェンスから、身得AI(embodied AI)に接続されたGPT-6クラスのモデルが自動運転をコモディティ化させる可能性について問われ、ロウ氏は、身得AIはまだ大規模な商業展開に到達しておらず、数分間のデモは「大規模な運用上の安全性については何も証明しない」と反論した。言語は「物理制御にとって遅く、情報損失のある中間表現」であり、基盤モデルの事前学習は「スタートラインに過ぎない」と主張した。Ponyのモデルは公開APIの裏側ではなく閉ループシステム内で動作するため、蒸留(ディスティレーション)することは不可能であり、競合他社はポストトレーニングのインフラと実世界のフリートデータ・フライホイールを一から構築する必要があるとの見解を示した。
財務実績:売上高は75%増、赤字は緩やかに縮小
総売上高は前年同期比75%増の4,460万ドルとなった。ロボタクシーとロボトラックの合計は売上高の80%を占め、前年同期の66%から上昇した。ロボタクシーサービスの売上高は1,780万ドルに達し、前年同期比165%増、前期比47%増となり、全体の40%(前年同期は26%)を占めた。運賃収入は約400%の増収となった。ロボトラックの売上高は、シノトランス(中国外運)との貨物サービスが牽引し、前年同期比76%増、前期比35%増の1,800万ドルだった。インテリジェント・ソリューションズの売上高は890万ドルで、概ね横ばいとなった。
売上総利益は69%増の7,900万ドルとなり、粗利益率は第2四半期の17.5%から17.8%に上昇した。GAAPベースの営業費用は3%増の7,660万ドル、ノンGAAPベースの営業費用は2%減の6,620万ドルとなった。営業利益率はマイナス274%からマイナス154%へ改善した。GAAPベースの営業損失は前年同期の6,970万ドルから6,870万ドルへとわずかに縮小し、ノンGAAPベースの営業損失は8%減の5,830万ドルとなった。GAAPベースの純損失は、トレーディング証券の公正価値変動による非現金の7,700万ドルの損失を含み、1億3,630万ドルとなった。ノンGAAPベースの純損失は14%縮小し、4,890万ドルとなった。...