AWS×Qualcomm×ソニー・ホンダ、AI搭載EV『AFEELA』のADAS開発をAWS上で加速

走り出すクラウド開発車線：AFEELAが踏み込む次の一段

ソニー・ホンダモビリティのAI搭載EV「AFEELA」が、AWSとQualcommの連携で量産へ向けた開発を一気に前進させています。

クラウド上でAIアクセラレーターを活用し、ADASの大規模シミュレーションと検証を高速化。従来の道路試験では難しかった多様なケースを、短いサイクルで回せるようになりました。

2026年の市場投入を見据え、エッジ（車載）とクラウドを結ぶ開発ループが本格稼働。

「コンセプトから量産」までの距離が、着実に縮まっています。

「AWS 上で稼働する Qualcomm アクセラレーターが、AFEELA の先進運転支援システム（ADAS）技術の開発と導入を加速」
出典：PR TIMES（アマゾンジャパン）

三位一体の狙い：AWS×Qualcomm×SHMが解く開発のボトルネック

AFEELA開発で鍵を握るのは、クラウドとAIアクセラレーターを併用したスケーラブルな検証基盤です。

Qualcomm AI 100アクセラレーターを搭載したAWSのAmazon EC2 DL2qインスタンス上で、膨大なビジョン・センサー・運転挙動データを取り回し、推論・評価を並列化。これにより、エッジケースを含むシナリオの網羅性とテスト密度が一気に高まります。

最終的な車載実装はSnapdragon Ride SoCへ。

クラウドで磨いたモデルをエッジ最適化し、実車の制約下でも安定稼働できるように折り合いをつけていきます。

「クアルコムのAIサーバー向けチップを用いるAWSの設備によって、AFEELAの自動運転システムの開発を加速。2026年発売に向け、量産車の実現を目指す」
出典：ケータイ Watch

クラウドで回すADAS開発ループの実像

データ→学習→推論→検証の短縮サイクル

AFEELAの開発では、データの生成・処理・分析をクラウドに寄せ、繰り返し速度を最大化しています。

現実のログとシミュレーションを組み合わせ、モデルをすばやく更新。大量の並列推論でパフォーマンス差を可視化し、弱点にピンポイントで改良をかけます。

• データ基盤：大容量のセンサーデータをクラウドに集約し、権限管理・ガバナンスを徹底
• 加速推論：EC2 DL2q（Qualcomm AI 100）で膨大なケースを並列評価
• 車載移植：Snapdragon Ride SoC向けに最適化し、遅延・省電力制約をクリア

「クラウドベースのインフラとツールチェーンを構築し、データシミュレーションの生成・処理・分析を効率化。ADAS開発を飛躍的に加速」
出典：PR TIMES（アマゾンジャパン）

どこが速くなるのか：AIアクセラレーターの効用

ADASの進化は、まれだが致命的なエッジケースのつぶし込みにかかっています。

AI 100アクセラレーターが得意とするのは、この膨大な「もしも」を並列に回す力。夜間・逆光・悪天候・複雑交通流など、物理試験では再現が難しい条件を大量生成し、モデルの堅牢性を底上げします。

さらに、コストと時間の圧縮が効きます。

クラウドの弾力性でピーク時に計算資源を一気に確保し、評価が終われば解放。固定投資を抑えつつ、数カ月で世代交代できる開発サイクルへ移行します。

“By leveraging Qualcomm’s AI100 accelerators hosted on AWS, the companies are compressing what once took years into months to speed up ADAS development.”
Source: Auto Connected Car

実装ガイド：AWSで再現する「AFEELA型」開発スタック

参考アーキテクチャ（例）

• データレイク：Amazon S3でセンサーデータ、ログ、シナリオ定義を一元管理。アクセス制御とライフサイクルでコスト最適化
• 特徴量・学習：学習はGPUクラスター（例：EC2 P系/Tr系）で実施。モデル登録・評価の履歴を体系化
• 高速推論評価：EC2 DL2q（Qualcomm AI 100）でテストバッチを水平分割し、スループットを最大化
• オーケストレーション：AWS Batch/EKSでジョブをスケジューリング。CloudWatchでメトリクス・ログを監視
• 継続的検証：バージョン別のKPI（検出率、誤検知、車線保持、意思決定遅延）を自動集計し、回帰を即検知
• エッジ最適化：Snapdragon Ride SoC向けに量子化・蒸留・メモリフットプリント削減を実施

上記は一例です。重要なのは、データ→モデル→検証→移植の各段を疎結合に保ち、どこからでも改良を差し込めること。

可観測性（メトリクス・トレース）を整え、判断の質と速度を同時に上げましょう。

量産フェーズの現実味：2026年デビューへ

AFEELAは、360度センサーとAIシステムを統合し、適応型クルーズ、駐車支援、自動運転支援などの機能強化を掲げています。

クラウド検証で積み上げた安全マージンを、車載SoCとソフトウェアで確実に実装していく段階です。

発表各社は、2026年の市場投入を明確に示しています。クラウド×アクセラレーターのアプローチは、コンセプトから消費者向け量産へと橋を架ける現実解になりつつあります。

“Harnessing AWS cloud infrastructure and Qualcomm AI100 accelerators to propel AFEELA from concept to consumer-ready vehicle for its 2026 debut.”
Source: MarketScreener

課題と打ち手：安全性・コスト・ガバナンスをどう攻めるか

安全認証：機能安全（例：ISO 26262）やSOTIFへの適合には、テスト証跡の完全性と再現性が不可欠。

テストデータ系とML実験系のトレーサビリティを、監査可能な形で持たせる設計が求められます。

コスト最適化：ピーク時はリソースを広げ、平時は畳む。スポットや自動スケーリングでTCOを抑え、KPI単価（例：1万シナリオ当たりの推論コスト）で改善を回すと効果が可視化されます。

データガバナンス：個人情報・位置情報・車載ログの取り扱いは厳格に。データ分類、匿名化、境界制御をルール化し、越境データの扱いにも配慮が必要です。

モデル偏り：地理・気象・交通文化の偏りを是正するため、合成データの活用やリスクベースのケース優先度付けが有効です。

この発表の意味：自動車開発は「クラウド前提」へ

AFEELAの取り組みは、SDV時代の開発OSがクラウドへ移る流れを象徴します。

AIアクセラレーターをクラウドで使い倒し、量産段階でSoCへ着地する。ハードとソフト、オンボードとオフボードを横断する設計思想が、開発速度と品質を同時に引き上げています。

「Amazon EC2 DL2q（Qualcomm AI 100）とSnapdragon Rideの組み合わせで、検証の高速化と大幅なコスト削減、再現が難しい多様なシナリオでの高度なテストが可能に」
出典：PR TIMES（アマゾンジャパン）

まとめ：ADASの量産化を現実にする“雲×シリコン”の共演

要点は明快です。

AWS上のQualcomm AI 100で大規模シミュレーションを並列加速し、ADASの開発サイクルを短縮。2026年の量産に向け、AFEELAの機能・安全・体験価値を磨き上げる基盤が整いました。

• 高速化：エッジケースの網羅と反復速度を両立
• 効率化：クラウドの弾力性でTCOを最適化
• 量産性：クラウド検証→Snapdragon Rideへの着地が明確

“クラウド前提の自動車開発”は、もはや特異点ではありません。

AFEELAが示した設計図は、次世代モビリティ開発の標準形になっていくはずです。

参考リンク：
ケータイ Watch：3社の連携と2026年発売方針
PR TIMES：AWS×Qualcomm×SHMの詳細
Auto Connected Car：開発圧縮の背景
MarketScreener：2026年デビューの言及