１．なぜ今「Ｐｈｙｓｉｃａｌ ＡＩ」か：市場と技術の地殻変動

　　（１）．ＥＶ市場の実像 ―「売れるＥＶ」と「売れないＥＶ」が明確になってきた

　　　　ａ．ＢＥＶ＋ＰＨＥＶ市場の寡占化と、内燃機関市場の縮小（２０３０年に新車の４２%）

　　　　ｂ．地域別に見る二極構造

　　　　　　・中国・欧州（９１％）ｖｓ米国・日本（９％）

　　　　　　・日系ＯＥＭのポジション

　　　　ｃ．売れているＥＶの共通項＝「中央ＳｏＣ＋ゾーン型ＥＣＵ（ＺＣＵ）アーキテクチャ」

　　（２）．原価革命とデータ革命 ― ゾーン型ＳＤＶの必勝スパイラル

　　　　ａ．原価革命

　　　　　　・ＥＣＵ統合・４８Ｖ化・ギガプレスによる車体原価▲３０％

　　　　ｂ．データ革命

　　　　　　・「販売台数≈データ量」とＯＴＡによる継続的知能化

　　　　ｃ．欧州のリベンジ

　　　　　　・ＢＭＷ Ｎｅｕｅ Ｋｌａｓｓｅ

　　　　　　・Ｖｏｌｖｏ

　　　　　　・ＶＷ×Ｘｐｅｎｇ、Ｓｔｅｌｌａｎｔｉｓ×Ｌｅａｐｍｏｔｏｒ

　　（３）．本講義の見取り図 ― 用語マップと全体ロードマップ

　　　　ａ．Ｐｈｙｓｉｃａｌ ＡＩ／ＶＬＡ／世界モデル／ＳＳＭ／Ｅ２Ｅの包含関係

　　　　ｂ．「認識→記憶→予測→行動」の４段階パイプライン

２．ＶＬＡモデルの基礎：ＬＬＭ→ＶＬＭ→ＶＬＡの系譜

　　（１）．生成ＡＩの基礎リテラシー

　　　　ａ．トークン・埋め込み・潜在空間（Ｌａｔｅｎｔ Ｓｐａｃｅ）とは何か

　　　　ｂ．Ｔｒａｎｓｆｏｒｍｅｒと「次に来るもの」の予測

　　　　　　・なぜスケールで賢くなるのか

　　　　ｃ．ユーザのアクション自体が学習データを生む構造

　　　　　　・音声認識→ＬＬＭの発展史

　　（２）．自動運転の作り方の変遷 ― ルールベースからＥ２Ｅへ

　　　　ａ．初期の自動運転

　　　　　　・ｉｆ－ｔｈｅｎ－ｅｌｓｅ

　　　　　　・モジュール型（認識→判断→操作）の限界

　　　　ｂ．「高次元特徴量を自ら見つける」系譜

　　　　　　・ＤＱＮ→ＡｌｐｈａＧｏ→ＡｌｐｈａＺｅｒｏ→ＡｌｐｈａＦｏｌｄ

　　　　ｃ．Ｗａｙｍｏ Ｗｏｒｌｄ Ｍｏｄｅｌへの転換

　　　　　　・ＨＤマップ依存からの脱却が意味するもの

　　（３）．ＶＬＡとは何か ― 認識・推論・行動を貫く神経系アーキテクチャ

　　　　ａ．ＬＬＭ→ＶＬＭ（視覚の言語空間化）→ＶＬＡ（行動の言語空間化）＝完全Ｅ２Ｅ

　　　　ｂ．ＬＬＭとＶＬＡの本質的差異

　　　　　　・統計的相関ｖｓ物理的因果

　　　　　　・ハルシネーションの意味の違い

　　　　ｃ．主要ＶＬＡ実装の現在地

　　　　　　・Ｔｅｓｌａ ＦＳＤ ｖ１４

　　　　　　・ＮＶＩＤＩＡ Ａｌｐａｍａｙｏ－１

　　　　　　・Ｌｅａｐｍｏｔｏｒ Ｄ９９の車載ＶＬＡ 等

３．世界モデルとＳＳＭ：リアルタイム制御を支える数理

　　（１）．世界モデル（Ｗｏｒｌｄ Ｍｏｄｅｌ）― 脳内先読みシミュレータ

　　　　ａ．脳は現実をそのまま見ていない

　　　　　　・欠損情報の補完と「生成される体験」

　　　　ｂ．脳のプロセスとの対比

　　　　　　・潜在空間（Ｖ１～ＴＥ）→ＳＳＭ（隠れ状態）→前頭前野（予測）→運動野（行動）

　　　　ｃ．「この行動を取ったら世界はどう変わるか」を回すことの計算的意味

　　（２）．状態空間モデル（ＳＳＭ）入門 ― 記憶の圧縮と時間の文脈

　　　　ａ．最小例で理解する

　　　　　　・ブレーキ踏込量ｕ（ｔ）と速度ｖ（ｔ）の連続時間方程式→離散化→ｈ（ｎ＋１）＝Ａｈ（ｎ）＋Ｂｕ（ｎ）

　　　　ｂ．なぜＴｒａｎｓｆｏｒｍｅｒでは足りないのか

　　　　　　・ＫＶキャッシュとＯ（Ｎ２）

　　　　　　・フレーム欠落・タイムスタンプ破綻

　　　　ｃ．Ｍａｍｂａ／選択的ＳＳＭ／Ｌｉｑｕｉｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ

　　　　　　・Ｏ（Ｎ）で長期文脈を持つという発明

　　（３）．行列設計の実際 ― Ｄ（情報の幅）とＮ（記憶の深さ）

　　　　ａ．状態ベクトルhの設計例

　　　　　　・車両位置・ヨーレート・各輪角速度・路面μ・積雪深・センサ信頼度

　　　　ｂ．入力ベクトルｘの設計例

　　　　　　・操舵角・駆動トルク・制動トルク・反力トルク

　　　　ｃ．安全制御層（Ｓａｆｅｔｙ Ｌａｙｅｒ）

　　　　　　・ＡＳＩＬ－Ｄ／フェールオペレーショナル／ＡＩ出力のガードレール【新規・重要】

４．リアルタイム自動運転制御の実装と応用

　　（１）．Ｅ／Ｅアーキテクチャ再定義 ― なぜＶＬＡにゾーン型ＳＤＶが必須なのか

　　　　ａ．中央ＳｏＣ＋分散ＺＣＵ＋Ｘ－ｂｙ－Ｗｉｒｅ

　　　　　　・ＰＣのＣＰＵ＋ＰＣＨ構成とのアナロジーで理解する

　　　　ｂ．レイテンシ階層設計

　　　　　　・数万次元の経路計画は中央ＳｏＣ

　　　　　　・１ｍｓ級のスリップ制御はＺＣＵ側

　　　　ｃ．半導体の選択肢

　　　　　　・Ｔｅｓｌａ ＡＩ４ ｖｓ ＮＶＩＤＩＡ ＤＲＩＶＥ Ｔｈｏｒ

　　　　　　・蒸留・量子化による車載軽量化

　　（２）．応用①：雪道・低μ路面の自動運転 ― 「見えない」状況をどう走るか

　　　　ａ．視覚（Ｖ）が遮られたときの物理的接触感覚

　　　　　　・路面反力を状態ベクトルの行に組み込む

　　　　ｂ．行列の動的生成

　　　　　　・μが小さいと判断した瞬間、Ａの時定数・状態更新係数を文脈に応じて変える

　　　　ｃ．高速スキャン演算による数秒先の車両挙動の並列予測

　　　　　　・Ｔｅｓｌａ ＦＳＤ ｖ１４雪上走行の実例分析

　　（３）．応用②：ＥＶのエネルギー制御とＡＤＡＳの高度化

　　　　ａ．回生ブレーキ×予測ホライゾン

　　　　　　・勾配・風向・気温・交通流・空調負荷を全行程シミュレーションし航続距離を延ばす

　　　　ｂ．予測的バッテリー熱管理と急速充電

　　　　　　・ＢＹＤの熱管理特許、到着前プレコンディショニング

　　　　ｃ．既存ＡＤＡＳの「常識」化

　　　　　　・ＡＥＢ／ＬＫＡが意図推定・エッジケース対応・Ｍａｐｌｅｓｓへ

（＋ＨＥＶ熱効率４８％超の中国勢動向）

　　　　ｄ．ＶＬＡ＋ＳＳＭ採用による１２の典型的メリット

　　　　　　・ゼロショット地域間一般化

　　　　　　・推論効率向上

　　　　　　・ＯＴＡリコール 等

５．Ｐｈｙｓｉｃａｌ ＡＩの拡張：ロボティクスと産業構造の激変

　　（１）．人型ロボットが証明したこと ― ＶＬＡ／ＳＳＭの必然性

　　　　ａ．ハーフマラソン５０分２６秒完走

　　　　　　・「モーターが強くなった」のではなく「頭が良くなった」

（熱のＳｏＣ、μ推定、接地衝撃の疲労管理）

　　　　ｂ．タスク別に必要なＳＳＭ規模（Ｄ×Ｎ）の比較

　　　　　　・工場仕分け→料理→掃除→食器の片付け→高齢者入浴介護

　　　　ｃ．上位レイヤー（ＶＬＡ／ＳＳＭ）と下位レイヤー（ＭＰＣ／強化学習）の階層設計

― バックフリップが小さい行列で足りる理由

　　（２）．エコシステムとパートナー戦略 ― 何を自社で握るか

　　　　ａ．標準化が進む領域ｖｓＯＥＭの競争領域（＝「走行の味付け」とデータ）

　　　　ｂ．ＮＶＩＤＩＡ Ａｌｐａｍａｙｏ／ＡｌｐａＳｉｍ／Ｐｈｙｓｉｃａｌ ＡＩ Ｄａｔａｓｅｔｓの位置づけと、ＯＥＭ側に残る「最後の１マイル」

　　　　ｃ．クルマを超える展開

　　　　　　・ロボタクシー

　　　　　　・ｅＶＴＯＬ

　　　　　　・農機・鉱山重機

　　　　　　・Ｖ２Ｇ／デジタルツイン

　　（３）．日本産業への提言とまとめ

　　　　ａ．ＳＤＶ習熟度の壁

　　　　　　・断片化アーキテクチャを統合できないＯＥＭはＡＩ時代から締め出される

（２０２６－２７年がタイムリミット）

　　　　ｂ．現在の動力系偏重の議論からの脱却 ― 競争軸は「計算・データ・組織」へ

　　　　ｃ．受講後の学習ロードマップ

　　　　　　・推薦論文・公開データセット・シミュレータ環境