Wayve GAIAは、英国の自動運転企業Wayveが開発する生成ワールドモデルのシリーズです。記録した走行データから「自車がこう動いたら周囲はどう見えるか」を生成し、自社の運転AIを仮想空間で試験するために使います。2026年11月時点の最新版は、2026年8月3日に公開されたGAIA-4です。
GAIAは「Generative Artificial Intelligence for Autonomy」の略で、AIエージェントの評価ベンチマークGAIAや欧州の天文衛星Gaiaとは別物です。この記事では、規模と評価モードの土台を作ったGAIA-3と、閉ループ評価を加えたGAIA-4を分けて、公式発表と論文で確認できる範囲を整理します。
まとめ：最新版はGAIA-4、GAIA-3との違いは閉ループとレーダー
- GAIA-4（2026年8月3日）：運転AIの判断が次のセンサー入力を変える閉ループのシミュレーションに対応し、カメラ映像と同じモデルでレーダーも生成します。パラメータ数は公表されていません。
- GAIA-3（2025年12月2日）：150億パラメータの潜在拡散モデルです。GAIA-2比で計算量5倍、データ約10倍、9か国・3大陸の走行データで学習し、安全クリティカルな場面の生成、車体転移、見た目の多様化という評価モードを備えます。
- 車に載るのはGAIAではありません：走行するのはWayve AI Driverで、GAIAはそれを試験する側のモデルです。
- 使い分け：安全の検証には他車が記録どおりに動くWorld-on-Rails、合流の譲り合いなど相手の反応が結果を決める場面にはreactive agentsを使います。
- 外部からの利用：GAIA-3・GAIA-4の発表に、他社への提供や料金の案内はありません。性能の数字もWayve自身の発表が中心です。
車に載らないAI：GAIAとWayve AI Driverの役割分担
ワールドモデルは、周囲の環境がこの先どう変わるかを予測・生成するモデルです。GAIAの場合、走行データと車両の操作から学び、指定した動きに対応するセンサーの見え方を作ります。
混同しやすいのは、Wayveの製品名との関係です。実車で運転を担うのは、カメラなどの入力から直接操作を出すWayve AI Driverで、GAIAは車載されません。GAIAはAI Driverを試すための仮想の道路環境にあたります。
WayveがGAIAに投資する理由は、GAIA-3の技術解説に書かれています。運転モデルが上達するほど、統計的に意味のある結論に必要な走行距離は増え、その大半は何も起きない距離になります。衝突やニアミスは、狙って再現するには危険すぎる事象です。実際の記録を出発点に危険な分岐だけを作れれば、この不足を埋められます。
Waymoも同じ発想で、Genie 3をもとにしたWaymo World Modelを2026年2月に公表しました。比較にはWaymo Driverの解説、ロボットや自動運転全般の文脈にはフィジカルAIの解説が役立ちます。
GAIA-1からGAIA-4までの世代別スペック
| 世代 | 公開 | パラメータ数 | 学習データ | 主な追加点 |
|---|---|---|---|---|
| GAIA-1 | 2023年6月／拡大版10月3日 | 初版10億／拡大版90億超 | 拡大版：ロンドン4,700時間 | 映像・文章・操作から生成 |
| GAIA-2 | 2025年3月26日 | 84億（潜在ワールドモデル部） | 英国・米国・ドイツ | 複数カメラ、細かな条件指定 |
| GAIA-3 | 2025年12月2日 | 150億 | GAIA-2の約10倍、9か国 | 評価モード3種 |
| GAIA-4 | 2026年8月3日 | 公表なし | 公表なし | 閉ループ、レーダー生成 |
GAIA-1の拡大版は、Wayveの解説によれば2019年から2023年にロンドンで集めた4,700時間のデータで学習し、6月の初版10億から90億超へ大きくなりました。GAIA-2は技術報告で潜在ワールドモデル部を84億パラメータとしています。
WayveはGAIA-3を「GAIA-2の2倍の規模」と説明します。ただし150億と84億の比は約1.8倍なので、2倍は概数か、比べている範囲が違うと読むのが安全です。
GAIA-2の特徴は、複数カメラの映像を空間的・時間的に揃えて生成できる点と、条件指定の細かさです。速度やステアリング、他車の3Dボックス、天候、時間帯、道路の種類を与えて映像を作れます。評価用のモードを揃えたのが次のGAIA-3です。
GAIA-3の規模：150億パラメータ・計算量5倍・データ約10倍
GAIA-3は潜在拡散をベースにしたモデルで、映像を圧縮するビデオトークナイザーがGAIA-2の2倍の大きさになりました。発表資料は、輪郭の鮮明さ、照明の一貫性、特に道路標識の質感が向上したと説明しています。標識の文字が崩れた映像では、AIの誤判断がモデルの問題か映像の破綻かを切り分けられないので、見た目の改良は評価の信頼性に直結します。
学習にはGAIA-2の5倍の計算量と約10倍のデータを使い、対象は9か国・3大陸です。データは歩行者、自転車、標識、信号といった安全に関わる要素に重みを置いています。9か国の一覧は公表されていませんが、公開された車体転移のデモには米国、ドイツ、英国と並んで日本の走行シーンも含まれています。
GAIA-3で自動運転AIを評価する方法：3つの評価モードと試験スイート
発表資料が新しい評価モードとして挙げるのは、安全クリティカルなシナリオ生成、embodiment transfer、controlled visual diversityの3つです。実際の使い方は、技術解説に書かれた次の5項目に分けると理解しやすくなります。
World-on-Railsで作る衝突寸前の場面とNCAP形式の試験
中核はWayveが「World-on-Rails」と呼ぶ手法で、実際の記録から自車の軌道だけを書き換えます。他の車や歩行者は記録どおりに動き続け、照明や天候も変わりません。無事に通過した交差点で、自車を対向車線へはみ出させる映像を作れます。
同じ方法で、NCAP形式の衝突試験を仮想的に作ることもできます。技術解説は対向車の進路を横切る際の衝突（CCFTAP）と停止車両への追突（CCRS）を、テストコースと市街地の両方で生成した例を載せています。破綻の確認に使うのは、LiDAR付きの実走行記録です。元の点群と生成フレームを重ね、ずれを調べます。
オフライン評価スイートによる新旧モデルの相対性能比較
1つの記録から条件を少しずつ変えた派生シナリオを量産し、規模を広げて繰り返し実行できるテスト群にしたものです。運転モデルを更新するたびに同じテスト群を流せば、前の版と同条件で比較できます。
ここで押さえたいのは主張の範囲です。Wayveは、GAIA-3で自車の軌道などを人為的に変えた合成試験と実走行の相関研究から「方策の相対的な性能を予測できる」と書いています。候補モデルの順位付けには使えても、公道での絶対的な事故率を言い当てるという主張ではありません。
embodiment transferによる別車種のカメラ構成への転移
元の映像は前方1台、側方2台、後方2台の計5台のRGBカメラで撮影されています。GAIA-3は、別のカメラ構成で撮った少量の非対応データがあれば、同じシーンをその構成から見た映像に描き直せます。同じ珍しい場面を車種ごとに撮り直す必要が減るので、複数の自動車メーカーに供給するWayveには実務上の意味が大きいモードです。
controlled visual diversityによる照明・天候・質感の変更
照明、テクスチャ、天候を変え、シーンの形状や他車の動きは保ちます。晴天の記録を夜や夕方に変えて判断がぶれないかを調べるものです。見た目の変化だけで挙動が変わるなら、そのモデルは道路の構造より色や明るさに頼っている疑いがあります。
急ブレーキなど希少な失敗シナリオの国・道路環境間での展開
少数の例から、同じ種類の場面を別の環境に広げることもできます。技術解説は、道の真ん中での急ブレーキを米国の高速道路や日本の市街地へ移した例を挙げています。問題の発見から修正の確認までの時間を縮める用途です。
「棄却率5分の1」とDriveSafeSimの読み方
発表資料によると、初期の研究ではGAIA-3上の試験結果が実走行の結果によく一致し、合成テストの棄却率が5分の1に下がりました。棄却率は、生成したテストのうち使えないと判断されて捨てられた割合と読めます。捨てる分が減れば、同じ計算量で得られる有効な評価が増えます。
この数字は初期研究の結果で、母数も棄却の判定基準も公表されていません。発表文はこれをDriveSafeSimの成果とも書いていません。DriveSafeSimは、ウォーリック大学のWMG（Warwick Manufacturing Group）と進める英国政府助成のプロジェクトで、生成ワールドモデルを安全評価に使う妥当性を検証するものです。Wayveは検証を続けると書いており、シミュレーションが実車試験や認証を置き換えられると示されたわけではありません。
GAIA-4で変わった点：閉ループ評価とレーダー生成
Simulation 2.0と閉ループ：記録の再生では測れない行動
WayveのGAIA-4解説は、検出精度と軌道誤差を別々に測るSimulation 1.0は、1つのネットワークで運転するエンドツーエンド型には使えないと述べています。固定の記録を見せても「何を予測するか」しか分からず、モデルの判断が次の展開を変えないからです。
GAIA-4は記録したシーンを新しいシミュレーションの出発点にし、AI Driverをループへ戻します。AIがブレーキを踏めば視点は減速し、ハンドルを切れば次の景色が変わります。HDマップや手作りのシーングラフ、プロンプトには依存せず、記録したセンサーデータから直接シーンを作る点も特徴です。
World-on-Railsとreactive agentsの使い分け
GAIA-4はWorld-on-Railsを、モデルの限界ではなく切り替えられる機能と位置づけています。解除すると他の交通参加者が自車に反応するreactive agentsになり、合流の譲り合いや交差点の駆け引きを試せます。公開デモでは前走車だけを反応させ、残りは記録どおりに動かしていました。
Wayveの説明に沿った使い分けは次のとおりです。安全の検証にはWorld-on-Rails、相互作用の評価にはreactive agentsを充てます。Wayveの比較映像では、制約を外すと交差点に車が現れない「甘い未来」をモデルが生成し、危険だった場面の深刻さそのものが変わってしまいました。反応を有効にした試験では、他車の反応によって元の危険条件が緩和されていないかを確認し、World-on-Railsによる結果と区別して評価する必要があります。
安全オペレーターが介入した場面の再現
閉ループの実用的な使い道が、介入場面の反実仮想です。公道で安全オペレーターが介入した瞬間を取り出し、介入がなければAI Driverがどうしたかを調べられます。「前の版がつまずいた場面で、新しい版はどう動くか」を繰り返し確認できるため、路上の出来事を再現可能な診断に変える道具になります。
レーダー生成：カメラと同じモデルでドップラーまで作る
もう1つの追加がレーダーです。映像を作るのと同じモデルが検出結果とドップラー情報を生成するもので、Wayveは自動運転シミュレーターとして業界初と説明しています。レーダーは霧、水しぶき、暗所でカメラを補うセンサーです。公開例では、カメラだけで減速しきれなかった高速道路の場面に生成レーダーを加えると、閉ループの軌道が変わり減速できたとされています。
発表が生成対象に挙げているのはカメラとレーダーで、LiDARの生成には触れていません。
忠実度の3階層と「2.5倍」の意味
Wayveはシミュレーターの良し悪しを、見た目の忠実度に加えて挙動と結果まで含む3階層で測るとしています。実走行と結果が一致するかのoutcome fidelity、AIの出力軌道が実走行と揃うかのclosed-loop fidelity、3D整合性やレーダーなど部品ごとのcomponent fidelityです。
記録された世界を忠実に保つ度合いが2.5倍になったという数字は、発表文に比較対象が明記されていません。汎用のワールドモデルよりも高い忠実度で再構成できるという文脈の中の値なので、GAIA-3との直接比較で2.5倍改善したことを示す数値とは確認できません。
2026年11月時点のGAIAの現在地：Validation 2.0と量産車への展開
Wayveは2026年11月5日のValidating the AI Driverで、評価の仕組み全体をValidation 2.0として説明しました。柱は3つで、GAIAによる閉ループシミュレーション、運転の良し悪しを学習で採点するGRADER、過去の版や車種の結果をどこまで新版の証拠に流用できるかを統計的に決めるevidence transferです。GAIAは検証基盤の1部品という位置づけで、運転の採点はGRADERが担います。
同じ記事では、ドライブレコーダーのような非構造の映像からもGAIAの対話的シナリオを作れると説明しています。自社の試験車両で集めていない危険場面まで試験の材料にできるという説明で、GAIA-3の技術解説にはなかった点です。
評価基盤の重要性が増す背景には、搭載先の増加があります。日産は2025年12月10日に協業契約を結び、次世代プロパイロットの最初の搭載車を2027年度に日本で投入する計画です。メルセデス・ベンツも2026年9月22日に量産契約を発表しました。ロンドンではUberとの監視付き自動運転配車が2026年9月3日に始まり、東京でも日産リーフを使うロボタクシーのパイロットが2026年後半の目標として示されています。車種ごとに公道試験を一からやり直すわけにはいかないので、車体転移と証拠の流用はWayveの事業計画と直結する機能です。
GAIAの結果を鵜呑みにできない場面と、外部企業が取れる選択肢
GAIA-3の結果で判断しない場面：相手の反応が結果を決める交差点
GAIA-3のWorld-on-Railsでは、他の車や歩行者は自車に反応しません。合流で相手が譲るか、歩行者が自車を見て止まるかが結果を決める状況では、現実なら相手が避けて起きない衝突が起きるなど、実際の展開と食い違う可能性があります。こうした駆け引きの評価を、GAIA-3の結果だけで判断するのは避けるべきです。
公表されていない数字：パラメータ数・母数・比較対象
GAIA-4のパラメータ数と学習データは未公表で、発表記事に技術報告へのリンクもありません。棄却率の母数と2.5倍の比較対象も明かされていません。GAIA-1とGAIA-2にはarXivの技術報告がありますが、2026年11月10日時点でGAIA-3とGAIA-4の報告は同所で見つからず、Wayve自身のブログと発表資料が主な情報源です。性能の数字は、開発元の自己申告として扱うのが妥当です。
外部企業の評価基盤開発：GAIAの提供案内の不在と公開モデルの選択肢
発表に外部提供の案内がない以上、自社の評価基盤をGAIAで組む前提の計画は立てられません。Waymo World Modelも、発表記事に外部提供の案内はありません。公開モデルから始めるなら、NVIDIAが2026年10月20日に公開したCosmos3-Nano-Sim-Autoが現実的な入口です。モデルカードは用途に閉ループの走行方策評価を掲げ、最大11視点のカメラ映像と128ビームLiDARを同期生成でき、OpenMDW 1.1で商用利用も認めています。土台の仕組みはCosmos 3の解説にまとめました。
ただし入力には、車線や物体を描いた制御映像（World Scenario Map）が要ります。記録したセンサーデータから直接シーンを作るGAIAとは前提が違い、自社のカメラ構成に合わせるには追加学習も必要です。
モデルを選ぶ前に、何をもって合格とするかを決めてください。生成映像が綺麗でも、採点方法と実走行との照合が無ければ評価の道具になりません。評価設計の段階から外部に相談するなら、当社の生成AI導入支援でも受け付けています。
よくある質問
GAIAは何の略で、AIベンチマークのGAIAとは違うものですか？
WayveのGAIAは「Generative Artificial Intelligence for Autonomy」の略で、自動運転AIの試験に使う生成ワールドモデルです。LLMやAIエージェントの性能を測るベンチマークのGAIA（General AI Assistants）とは名前が同じだけの別物で、開発元も用途も異なります。「GAIA LLM」や「GAIA AI」で調べて言語モデルの評価指標を探している場合は、ベンチマーク側の論文を確認してください。
Wayve GAIAの最新版はどれで、各世代はいつ発表されましたか？
2026年11月時点の最新版は、2026年8月3日に公開されたGAIA-4です。シリーズはGAIA-1が2023年6月（拡大版は同年10月3日）、GAIA-2が2025年3月26日、GAIA-3が2025年12月2日という順に公開されました。Wayveの技術解説は、2018年の最初の自動運転向けワールドモデルからの流れとして位置づけています。
GAIA-3とGAIA-2の違いは何ですか？
違いは規模と目的です。GAIA-3は150億パラメータで、GAIA-2の潜在ワールドモデル部84億の約1.8倍、ビデオトークナイザーは2倍、計算量は5倍、データは約10倍で9か国に広がりました。GAIA-2が多視点映像の生成と条件指定を打ち出したのに対し、GAIA-3は実際の記録を保ったまま自車の軌道を変える場面の生成や車体転移を、運転AIの評価モードとして打ち出した点が異なります。
GAIAは外部の企業や個人が使えますか？
GAIA-3とGAIA-4の発表には、他社への提供、料金、モデルの公開についての記載がありません。GAIA-1とGAIA-2は技術報告が公開されていますが、これは論文であって利用できるモデルの配布ではありません。Wayveは自社のAI Driverの開発と検証に使うモデルとして説明しているので、利用できる前提で計画するのは避けてください。
GAIA-4はLiDARも生成できますか？
GAIA-4の発表が生成対象として挙げているのはカメラ映像とレーダーです。LiDARは運転システムのセンサーの例として言及されるだけで、生成機能としては説明されていません。なお、GAIA-3の検証では、LiDAR付きの実走行記録を生成映像の整合性確認に使っています。生成対象と検証用のデータは分けて読む必要があります。
