AIは試合中ずっとはげ頭を追い続けた。訓練データを増やしても、それは直らない。

2020年10月、スコットランドのサッカーの試合で、自動カメラが試合中ずっとボールではなく線審のはげ頭を追いかけ続けた。そのクリップは拡散した。ほとんどの人は、かわいらしい不具合として笑い飛ばした。私は別の理由で、それを繰り返し見た。システムは壊れていなかったのだ。それは、私たちが作ったとおりのことを、まさに正確にやっていた。

あのクリップは、なぜ物理制約付きコンピュータビジョンこそが、本番環境でビジョンシステムを信頼できるものにする唯一の要素なのか——そして、なぜ問題により多くの訓練データを注ぎ込むこと（それは私が最初に試したことだ）がそれを解決しないのか——を、これ以上ないほど明快に示している。

スタジアムの照明の下で、はげ頭は鏡面ハイライト——明るく、丸く、白い反射——を生み出す。そのピクセル勾配は、統計的にサッカーボールと見分けがつかない。YOLO系列の標準的なCNNである検出器は、各フレームを単独で処理し、頭上の『ボール』に98%の信頼度を割り当てた。実際のボールは、速度でぶれながら影の中を抜けていき、80%だった。システムはより高い数値に従った。これはバグではない。これは、モデルが自らの目を信じているということだ。

検出器はパターンを見つける。地上から一定の1.7メートルの高さにあり、垂直の円柱に取り付けられ、タッチライン上を歩いている『ボール』が物理的にあり得ないなどとは、微塵も理解していない。

解決策は、より良いデータセットではない。解決策は、物理だ。

はげ頭問題はどこにでもある——ただ、いつも拡散するとは限らないだけだ

私は、まったく似ても似つかない二つの世界でビジョンパイプラインを何年も出荷してきた。ボールを追うスタジアムのガントリーと、シリコンを検査する製造ラインだ。両者は一つの病を共有している。モデルは自分が認識できる形状を見て、それを報告する——報告している対象が物理世界に存在し得るかどうかを問う仕組みを、一切持たずに。

半導体検査では、症状ははげ頭ではない——ニューサンス欠陥だ。KLAはプロセス制御市場の約63%を握っており、同社の2900シリーズの広帯域ツールは10ナノメートルという微細な特徴まで解像できる。ボトルネックは検出感度ではない。ボトルネックは、単一の広帯域スキャンがウェハ1枚あたり数千もの異常をフラグ立てし、その大半が歩留まりに決して触れることのないダスト、表面のアーティファクト、あるいはパターンノイズだということだ。それでも一つひとつを、過去の欠陥ライブラリで訓練されたディープラーニングモデルで分類しなければならない。

そのモデルが持っていないものはこうだ。光が、ピット対シミ対プロセス残渣とで物理的にどう相互作用するのかについての、いかなる理解も。だから、あるファブが新しいプロセスノード——たとえば2nmのゲートオールアラウンド——へ移行すると、訓練ライブラリは一夜にして陳腐化し、ニューサンス率が跳ね上がる。そして間違うことのコストは抽象的なものではない。先端ノードでの1%の歩留まり損失は数百万ドルに達する。ウェハ1枚が数万ドルすることもあるからだ。

製造現場も同じ病を抱えているが、その現れ方はより静かで、より厄介だ。AI品質管理を稼働させている生産ラインでは、モデルがいつ間違っているかをリアルタイムでほぼ決して知ることができない。カメラの隣に正解ラベルが置かれていないからだ。メンテナンス後に照明の角度がずれる。数週間かけてレンズが曇る。治具が摩耗する。誤除去が増えて手直しループに陥るか、あるいは誤受容が忍び込んで流出が起きる——そしてそのどちらかを知るのは、品質流出が封じ込め、隔離、全数再検査を強いたときだけだ。

モデルは声高に失敗したのではない。静かにドリフトし、最初の警報は顧客からの返品だった。

その静けさは高くつく。品質不良のコストは、平均的なメーカーで総売上の約20%に達する。計画段階で捕捉された欠陥のコストは約100ドル。同じ欠陥が生産段階で捕捉されると10,000ドルかかる。インテルは、AI検査でスクラップを回避するだけで年間およそ200万ドルを節約したと報告している。この利点は本物だ——だからこそ、静かなドリフトという故障モードはこれほど蝕むのだ。それは、あなたに告げることなく、その利点を食い尽くす。

そして過剰補正は、ドリフトと同じくらいコストがかかる。私は、数百万ドルの自動光学検査装置が静かに電源を落とされるのを見てきた。そのチューニングがあまりに攻撃的で、悪い部品を捕らえるより速く良い部品を除去してしまったからだ——それはKnappテスト、すなわちあなたの検査が本当に欠陥を許容可能なばらつきから区別できているかを問う標準に、合格できなかった。紙の上では歩留まりを守り、実際にはそれを破壊するシステムは、システムが無いよりも悪い。なぜなら、誰かがそれに金を払い、そして今や誰もが、それが触れるあらゆる自動判断を信用しなくなるからだ。

なぜ、より多くの訓練データではこれを解決できないのか？

私のチームが最初にこの壁にぶつかったとき、私は答えに確信を持っていた。そして、私は間違っていた。

コンピュータビジョンの正統的な考えは、エッジケースはデータの問題だ、というものだ。あなたのモデルが奇妙なものでつまずくのは、十分な量の奇妙なものを見ていないからであり、だからもっと集めに行けばいい、と。私はそれを信じていた。それを支持していた。私たちは、はるかに大規模で、はるかに多様なデータセットを構築した——異なる照明、異なる角度、より多くの紛らわしいケース——そして再訓練した。検証セットにおけるモデルの数値は美しかった。私は、私たちがそのギャップを埋めたのだと感じたのを覚えている。

それから、私たちはそれを実際のラインに載せた。すると、メンテナンス作業員が照明器具を調整し、除去ビンが良い部品で埋まり始めた。

私たちの見事なデータセットには、その正確に新しい照明の幾何学的条件を覆うものは何一つなかった。データを収集した時点では、その幾何学的条件が存在していなかったからだ。私たちはそれも収集しに行くこともできた——そして、次のずれを、次のレンズの曇りを、永遠に追いかけることも。そのとき、ずっと私を悩ませていた一文が、ついに腑に落ちた。エッジケースは問題の5%ではない。それはエンジニアリング時間の80%、サポートコストの90%、そして責任の100%だ。無限の集合を、列挙し尽くして抜け出すことはできない。

私のエンジニアの一人は、締め上げ続けたがった——偽陽性が消えるまで信頼度の閾値を上げるのだ。それはスライドの上では機能する。実際には、偽陽性ゼロへ向けて押し進めることは、それを単に偽陰性と交換するだけだ。今度は本物の欠陥を、本物の脅威を、まさにシステムを配備して捕らえようとしたものを、見逃すことになる。そうした議論を十分に重ねた末、私は声に出して言わざるを得なかった。私たちが回し方を知っているあらゆるつまみは、故障を取り除くのではなく、故障を移動させる方法にすぎない、と。

これは特殊な経験ではない。おおよそコンピュータビジョンプロジェクトの95%は決して本番環境に到達しない。そしてその理由は、ほとんど決してアルゴリズムではない——それはまさにこの種の実装上の破綻、すなわち研究室で機能するモデルと、現場を生き延びるモデルとの間のギャップだ。MITの研究は、企業のAIパイロットの95%が6か月以内に測定可能なROIをもたらせなかったことを明らかにした。私たちは、まさにその統計の一項目になろうとしていた。

物理制約が実際に果たす役割

転機は小さく、そして振り返ってみればほとんど気恥ずかしいものだった。

検出器にもっと確信を持てと求める代わりに、私たちはその出力の前に、ある物理的な問いを投げかけるゲートを置いた。この物体は、あなたが言うような動き方をすることが、本当にできたのか？ 質量と運動量を持つ物体の運動学に反する軌跡——2フレームの間にどんなボールも移動できない距離を跳ぶ検出——は、信じられる前に棄却される。私たちは検出器には手を触れなかった。それでも偽陽性率は下がった。

それが考え方のすべてであり、そしてそれは一般化する。追跡される物体はフレーム間でテレポートできない。本物の欠陥には視差がある——視点が変わると、影が決してそうしないのとは違って、背景に対してずれる。影には奥行きがない。これらは物理世界がただで従う制約であり、あなたの照明が動いても動かない。正しく製造された部品の物理的特性は、治具が摩耗しても、照明がわずかに動かされても、変わらない。 それが物理を、データ駆動のすべてがドリフトしていくシステムの中で、唯一の安定した錨にする。

信頼度の閾値を上げることは、モデルにもっと強くブラフをかけるよう求める。物理制約は、ただ不可能なことを信じるのを拒む。

だから今、私たちが問うのは『これは訓練画像と比べて良い部品に見えるか？』ではない。『この画像は、現実の物体の既知の幾何学と材料挙動と整合しているか？』だ。この二つは根本的に異なる問いであり、プロセスノードの移行や火曜の午後のメンテナンス窓を生き延びるのは、後者だけだ。

これには成熟したツールキットがあり、そして正直に言えば、その大半は出荷される製品ではなく研究論文の中に存在する。物理はビジョンシステムに三つの方法で組み込める。ネットワークアーキテクチャそのものへ、訓練中の物理ベースのペナルティとして損失関数へ、あるいは物理的に正確なレンダリングを通じた合成データ生成へ。落とし穴——これを本番環境から遠ざけているもの——は、物理が通常は訓練時点で止まってしまうことだ。配備されたモデルは、実際に重要となる推論の瞬間には、依然として純粋にデータ駆動のブラックボックスのままなのだ。

私たちが依拠する研究は、そのギャップを推論時に埋める。現代の追跡は、古典的なカルマンフィルタ——運動の法則が与えられれば、動く物体が次にどこにいるかを推定する、数十年前からの手法——を、どちらか一方を選ぶのではなく、ディープラーニングと組み合わせる。KalmanNetのようなアプローチは、完全には分かっていない力学のために、ニューラルネットワークでフィルタを補助する。Phys-3Dと呼ばれる2026年のシステムは、ピンホールカメラの幾何学を通じて物理的にもっともらしい3D運動を強制し、密なオクルージョンやカメラの揺れがあっても2.97%の計数誤差を報告している。PhyOTはさらに踏み込み、ニューラルネットワークそのものをセンサーとして扱い、ニュートンの法則に支配されるカルマン構成にそれを供給する。共通する筋はこうだ。ネットワークが提案し、物理が処分する。私たちが構築する物理制約付きビジョンシステムは、まさにこの種の制約レイヤーを推論経路へ組み込む——カルマンフィルタリング、オプティカルフローのゲート、そして物理情報に基づくアーキテクチャを——それによって、不可能なものの棄却が、訓練ノートブックの中ではなく、ライブで起こる。

なぜ大手ベンダーはこれをやらないのか？

人々は絶えず私にこれを尋ねる。たいていは疑いの色を帯びて——もし物理制約がそれほど明らかに正しいのなら、なぜHawk-EyeやKLAはそれをデフォルトとして出荷していないのか、と。答えはこうだ。リーダーたちはいくらかの物理を持ってはいるが、ほとんど常に間違った場所にあり、そしてその隙間は示唆に富んでいる。

Pixellotは、はげ頭の時代の後、その特定の種類のエラーをおおむね消し去るマルチ仮説追跡を追加した——だが彼らの物理は事後的な軌跡の平滑化であって、制約レイヤーではない。だから新たな故障モード（モーションブラー下のユニフォームのOCR、平らでないピッチ上のオフサイド投影）が現れ続ける。そしてこれは逸話ではない。最大の公開スポーツ追跡ベンチマークであるSoccerNet上でも、多物体追跡は速い動きと激しいオクルージョンにおいて依然として解決には程遠いと測定されており、物理を意識した追跡器はまだ一つも統合されていない。その空白こそが、まさに機会のすべてだ。ソニーが所有するHawk-Eyeは、本物の強力な幾何学的制約を持っている——6台から8台の較正済み4Kおよび8Kカメラから三角測量し、選手一人あたり29の骨格点を追跡し、NFLがファーストダウンの計測に使うほど正確だ。だが、その厳密さは1会場あたり100万ドル超のコストがかかり、専用のインフラを要求する。それはあなたの既存のパイプラインに追加するレイヤーではない。スタジアムの改修だ。

工業分野でも同じパターンが繰り返される。KLAの欠陥物理モデルは本物だが、特定のプロセスノードに焼き付けられている。それがなぜノード移行がニューサンス率を急増させるのかを説明している——そしてKLA自身の次世代検査への23億ドルの投資は、彼らがその隙間の存在を知っているという証拠だ。CognexのViDiディープラーニングツールは優秀で、わずか5〜10枚の画像から訓練でき、セットアップ時間を90%削減する——だが推論時には物理がないため、他の誰と変わらず静かなドリフトにさらされている。そしてNVIDIAのMetropolisとOmniverseのエコシステムは、見事な物理をシミュレートする——合成訓練データを生成するために。物理は訓練で止まる。配備されたモデルは、依然としてデータ駆動のままだ。

この分野全体を見渡すと、『物理の統合』の列は、空欄であるか、さもなければ訓練を指しているかのどちらかだ。配備されたモデル、すなわちリアルタイムで判断を下しているモデルは、依然としてピクセルから推測しているのだ。

それこそが、私たちが入り込んで構築するギャップだ。プラットフォームでもなく、スタジアムの改修でもない——あなたの既存のパイプラインに収まり、不可能なものが高くつく前にそれを棄却する、物理制約レイヤーだ。ピッチの上で自動カメラを走らせているのであれ、10nmでウェハを検査しているのであれ、ラインで欠陥を分類しているのであれ、照明が動いても制約は保たれる。なぜなら、照明こそまさに、物理が依存しないものだからだ。

『偽陽性ゼロ』について、誰も聞きたがらない部分

どの買い手も、いずれ私に偽陽性ゼロを求めてくる。その衝動は理解できるし、私は毎回同じことを彼らに伝える。それは技術的には達成可能で、そしておそらくあなたを傷つける、と。

システムを偽陽性ゼロへ押し進めることは、必然的に偽陰性を増やす——見逃された本物の欠陥、すり抜ける脅威を。目標は決して、一方の種類のエラーをゼロにすることではない。それは、あなたのアプリケーション固有の利害にとって正しいバランスだ。物理制約があなたに与えてくれるのは、その上でバランスを取るための、より良いフロンティアだ。従来の偽陽性削減——閾値調整、キャリブレーション、そして研究によれば偽陽性を22%から87%削減できるとされるオートエンコーダ——は、そのすべてがモデルの信頼度に作用する。物理は現実に作用する。物理は、本当に曖昧なものについてモデルをより臆病にすることなく、物理的に不可能な検出を棄却する。こうして、より少ない誤警報を得られ、かつ、見逃した欠陥という形でその代償を払うこともない。なぜなら、エラーを交換するのではなく、エラーの一カテゴリーそのものを取り除いたからだ。

ここには規制の追い風もあり、そしてそれは人々が予想するものではない。EU AI法の主要な条項は2026年8月2日に発効する。そして、ほとんどの工業検査は高リスクの生体認証監視には分類されないものの、同法の文書化と透明性の要件は、その決定を説明できるシステムへと広く後押ししている。『ボール、98%』と告げるデータ駆動のブラックボックスは、その理由を教えてくれない。視差に反したという理由で検出を棄却したシステムは、それを教えられる。反証可能性は、もはや単に良いエンジニアリングであるだけではない。それはコンプライアンスの姿勢になりつつある。

私が今、信じていること

私は、コンピュータビジョンはデータの問題であり、最も大きく、最もクリーンなデータセットを持つチームが勝つのだと確信して、この分野に入ってきた。私は、自分が間違っていることを証明するモデルを工場の現場で出荷した——それに自らのスループットが懸かっている人々の目の前で。

今の私の信念は、より狭く、より頑健だ。物事がどう見えるかしか知らないビジョンモデルは、たった一つの照明変化、たった一つのプロセスノード、たった一人のはげた線審によって、いつまでも、自信満々にあなたへ不可能なことを告げてしまう危うさと隣り合わせだ。本番環境を生き延びるシステムとは、物理世界が何を許すのかもまた知り、行動を起こす前に、あらゆる検出をそれに照らして確かめるシステムのことだ。

市場はこれを、大規模に、痛みを伴う形で学ぶことになる。コンピュータビジョンは2026年時点で330億ドルの市場であり、年率20%近くで成長している。エージェント型のビジョンシステムは、自らの権限で現実世界の行動を引き起こし始めており、そして自律性が高まるほど、自信満々の不可能な答えは許容しがたくなる。あなたはエッジケースの映像を集め続け、次の照明変化を、次のノード移行を、永遠に追いかけることもできる。あるいは、決してドリフトしない唯一のルール群をモデルに教えることもできる。もしあなたが、私たちがどのようにしてその制約を本番パイプラインに組み込むのかを見てみたいなら、そこが、私なら出発点にする場所だ。

ボールはテレポートできない。それを知っているシステムを、作ろう。