トヨタ Woven City AI Vision Engine とは｜MVBench世界最高水準73.81%の8Bモデル徹底解説

Woven City AI Vision Engine は、トヨタ自動車とWoven by Toyotaが2026年4月22日に発表した動画理解特化のマルチモーダルAI基盤モデル（Vision Language Model / VLM）です。約80億パラメータ（8B）という軽量クラスながら動画理解ベンチマーク「MVBench」で世界最高水準の73.81%を記録し、自動車メーカーとして初めてVLMを商用販売（AWS Marketplace経由）するという歴史的マイルストーンも同時に達成しました。

この記事でわかること

Woven City AI Vision Engine の定義と「自動車メーカー初VLM外販」という位置付けの意義
8B×独自の2段階階層的圧縮でMVBench 73.81%を達成した技術的メカニズム
MVBenchリーダーボード上位との実際のスコア比較（2025年9月時点の公式記載値）
AWS Marketplace経由の料金（$5〜$8/時間）と主要APIパラメータ詳細
Woven City Integrated ANZEN System（Behavior AI/Drive Sync Assist）との連携
Inventorsエコシステム24社体制と新規参画企業4社の意義
WTSデータセットとNEDO補助プロジェクトJPNP20017の学術的背景
こんな企業におすすめ / おすすめしない企業の判断基準

誰向けの記事か

動画理解AI・VLMの最新動向を追う技術マネージャー／R&D担当
監視カメラ・産業用カメラ映像の業務活用を検討する製造・小売・交通事業者
国産AI基盤モデル・モビリティAIに関心のある経営企画／DX担当
自動車・モビリティ領域のアナリスト／メディア関係者

Woven City AI Vision Engine とは何か

Woven City Inventor Garageの外観 - Woven City AI Vision Engine が発表された静岡の施設（富士山を背景に）

出典: Woven by Toyota 公式

Woven City AI Vision Engine は、街・車・人の動きを「映像→言語」で理解することに特化したマルチモーダル基盤モデルです。開発したのはトヨタ自動車の100%子会社であるWoven by Toyota, Inc.（WbyT）で、2026年4月22日に静岡・Woven City内の「Inventor Garage」で正式発表されました。

公式プレスリリースでは「街がリアルタイムに現実世界の状況を理解し応答するための大規模AI基盤モデル」と定義されています。単なる画像認識・物体検出ではなく、監視カメラや車載カメラの映像をテキストに変換し、次に起こる事象を予測してモビリティ・インフラ側に指示を出す—都市OSの「目」と「脳」の役割を担います。

開発・提供元の基本情報

項目	内容
正式名称	Woven City AI Vision Engine
開発元	Woven by Toyota, Inc.（トヨタ自動車100%子会社）
発表日	2026年4月22日
発表場所	静岡・Woven City内「Inventor Garage」
カテゴリ	動画理解特化のマルチモーダルLLM（VLM）
パラメータ数	約80億（8B）
現行バージョン	v1.0.5-alpha
提供形態	AWS Marketplace（Amazon SageMaker）／Woven City内実証
ライセンス	カスタムライセンス（商用利用は要個別問い合わせ）
NEDO支援	プロジェクトJPNP20017（NEDO補助）の成果を基盤とする

現時点ではv1.0.5-alphaというアルファ版の位置付けであり、本番投入にあたっては自社で精度・安定性を評価することが推奨されます。

「自動車メーカー初のVLM外販」という歴史的意義

日経クロステックは「世界最高水準VLMの外販」として、Woven City AI Vision Engine を自動車メーカー初の本格的なVLM商業販売として評価しています。テック大手（Google・OpenAI・Alibaba等）がVLM市場を席巻するなかで、Woven Cityで蓄積した交通安全データ・独自のハードウェア実証環境という参入障壁がWoven by Toyotaに外販の根拠を与えています。

豊田章男会長の長男である豊田大輔SVP（Woven by Toyota）は発表の場で「AIが街を理解する」と表現。Woven Cityを単なる実験施設ではなく、AIの「訓練データ生成工場」かつ「商用製品の発射台」として機能させる戦略が明確になっています。

なぜトヨタが独自VLMを作るのか（カケザン戦略）

自動運転・高度運転支援（ADAS）は従来、「物体検出→経路予測→制御」という個別モデルの積み重ねで構築されてきました。Woven City AI Vision Engine は映像を言語化して「何が起きているか」「次に何が起こりそうか」を一気通貫で理解するVLMベースのアプローチです。

Woven by Toyotaは「Kakezan（カケザン＝掛け算）」をキーワードに、街・車・人の情報をAIで横断的に掛け合わせる思想を掲げています。製造力×AI技術×スタートアップ発想力を組み合わせることで、既存の産業向け汎用VLMが苦手とする都市内イベント（歩行者の急な飛び出し・信号認識・ドライバー注意散漫）の高精度解釈とリアルタイム応答を実現するというのが設計思想です。

「AIは人の判断を代替するものではなく、人の主体性を守りながら情報提供する」という安全設計の方針も一貫しており、完全自動運転を目指すアプローチとは一線を画しています。

Woven City AI Vision Engine でできること

スマートシティの都市インフラモデル - 本モデルが映像解析する都市環境のイメージ

本モデルは動画理解に強みを持つVLMとして、以下のタスクに対応しています。

主な機能一覧

機能	内容
Visual Question Answering（VQA）	画像・動画に対する自然言語での質問応答
長尺動画理解	独自の2段階階層的圧縮で長時間動画を高品質・低コストで処理
リアルタイム映像→言語変換	街頭カメラ・車載カメラの映像を自然文にリアルタイム変換
時空間推論	死角の歩行者・対向車の動き検知、次に起こる事象の予測
画像・動画キャプション生成	時空間コンテンツを時系列で自然言語記述
マルチターン対話	会話履歴を考慮した連続QA
パターン識別・リスク検出	カメラフィード・ユーザー入力からイベントパターンを識別

入力できるメディア

入力タイプ	対応形式
テキスト	プロンプト・質問文
画像	JPG、PNG（Base64エンコード）
動画	MP4（推奨）、AVI。H.264/MPEG-4コーデック推奨

動画はフレームレート・最大フレーム数をAPIパラメータで調整でき、リアルタイム用途と長時間動画の一括解析の両方に対応しています。なお、出力はテキストのみであり、画像・動画の生成機能はありません。

実際の活用シーン（公式・実証段階）

交差点の安全監視：歩行者の急な飛び出しを事前検知し、車両側に減速指示
ドライバーの注意散漫検知：スマホ注視・視線逸脱をリアルタイムで言語化
店舗内の来客行動解析：天井カメラ映像から体の揺れや表情変化まで解析（UCC Japan実証）
モビリティインフラの異常検知：道路・設備の変化を映像から自然言語レポート化
長尺動画の要約・検索：会議録画・サーベイランス映像を時系列で自動要約

Woven City AI Vision Engine の技術的強み｜8Bで73.81%が意味すること

Woven City AI Vision Engine を語る上で最重要なのが「8B（80億パラメータ）という軽量モデルでMVBench 73.81%を達成した」という事実です。

本モデルが解析する自然環境の映像サンプル（Hugging Face 公式モデルカードより）

出典: Woven City AI Vision Engine - Hugging Face

MVBenchとは｜なぜ難しいのか

MVBench（Multi-modal Video Benchmark）は、OpenGVLabが開発した動画理解AIの総合ベンチマークです。動作認識・物体追跡・時空間推論など20の挑戦的なタスクで構成されており、重要な設計上の特徴として「単一フレームでは解けない問題のみで評価する」という制約があります（IEEE/CVPR論文 arxiv:2311.17005）。

つまり、静止画を理解するだけの能力では高スコアを出せず、映像の流れ（時間軸の変化・動き・因果関係）を本当に理解するモデルのみが評価される仕組みです。多肢選択形式のQA自動評価でLLMバイアスを排除しており、国際的に参照される標準的な動画VLM評価指標として位置付けられています。

73.81%というスコアの位置付け

2025年9月時点のHugging FaceモデルカードにおけるMVBenchリーダーボード上位を、公式記載の数値で整理します。

順位（2025年9月時点）	モデル	MVBenchスコア	パラメータ数
1位	Woven City AI Vision Engine	73.81%	8B
2位	Qwen3-VL-30B-A3B	71.87%	30B（実効3B）
3位	Qwen3-Omni-30B-A3B	69.50%	30B（実効3B）

※2025年9月時点のHugging Faceモデルカード記載値。MVBench全体リーダーボードは常に変動します。最新順位はMVBench公式リーダーボード（OpenGVLab）で確認してください。

注目すべきは、2位・3位が30Bの大型モデル（スパース化により実効3Bで動作）であるのに対し、Woven City AI Vision Engine は実パラメータ8Bという密なモデルで首位に立った点です。「小さいモデルがデータ効率・アーキテクチャの工夫で大型モデルを超える」という実証として業界に注目されています。

公式プレスリリースでは「動画理解の世界トップレベル」と表現されており、日経クロステックも「世界最高水準VLM」として評価しています。

独自の2段階階層的圧縮（Hierarchical Compression）

本モデルが軽量モデルで高精度を出せる最大の理由が「2段階の階層的圧縮」という独自アーキテクチャです。

Fine-grained Compressor（細粒度圧縮器）

重要フレームを細かく解析し、局所的な動き・短期的な時間情報の情報量を保持
「歩行者の一歩踏み出す直前の動き」など細かいイベントを取り逃がさない

Coarse-grained Compressor（粗粒度圧縮器）

冗長なシーンをまとめて圧縮し、長期的なコンテキスト（シーン全体の流れ）を把握
計算コストを抑えながら長時間動画全体の文脈を維持

この2段階のハイブリッド設計により、「長時間動画でも高精度」と「小さいモデルサイズで高速推論」を両立しています。エッジ展開・低レイテンシが求められる車載・街頭カメラ用途にフィットする設計です。

8B vs 大型VLMの実務比較

観点	大型VLM（30B〜70B）	本モデル（8B）
推論コスト	高い（GPUメモリ・電力）	低い
レイテンシ	遅め	速い
エッジ展開	困難	現実的
長尺動画対応	コストが跳ね上がりやすい	階層的圧縮で抑制
本番運用の総コスト	高	中〜低

モビリティ・都市インフラ用途では常時稼働＋低レイテンシ＋多拠点展開が必須であり、モデルサイズが運用コストに直結します。本モデルの設計思想は「精度は高いが重いVLMを街中に並べられない」という現実的制約への解答です。

Woven City AI Vision Engine の料金・プラン（AWS Marketplace版）

Woven by Toyota ロゴ - Woven City AI Vision Engine の開発・販売元

出典: AWS Marketplace - Woven City AI Vision Engine

Woven City AI Vision Engine は2026年4月時点で、AWS Marketplace経由でAmazon SageMakerから一般利用が可能です。オンプレミス版やモデルウェイトのダウンロード提供は、現時点では公式から確認できていません。

ソフトウェア料金表

インスタンスタイプ	ソフトウェア料金（USD/時間）	推奨用途
ml.g5.8xlarge	$5.00	標準推論
ml.g5.12xlarge（AWS推奨）	$6.00	推論バランス型
ml.g5.24xlarge	$7.00	高負荷推論
ml.g5.48xlarge	$8.00	大規模バッチ

上記はあくまで本モデルのソフトウェア利用料のみで、別途Amazon SageMakerのインフラ料金（インスタンス・ストレージ・データ転送等）が発生します。ハイブリッド課金モデルの典型例であり、実際の利用コストはインフラ費用を合算して見積もる必要があります。

現時点では法人契約・ボリュームディスカウントの有無やエンタープライズ向けSLAの条件は公開されていません。本番導入を検討する場合はWoven by Toyota/AWSへの個別相談が必要です。デプロイには約10〜15分を要します。

提供形態

リアルタイムエンドポイント：APIによる同期推論
バッチ推論：Amazon S3入出力でのオフライン解析（ジョブ実行中のみ課金）
サンプルノートブック・API仕様：付属ドキュメントで利用開始可能

主要APIパラメータ

パラメータ	型	範囲	説明
max_new_tokens	int	1〜1024	生成トークン最大数
temperature	float	0.0〜2.0	サンプリングスケーリング
top_p	float	0〜1	Nucleus sampling閾値
top_k	int	整数	上位トークン数
do_sample	bool	—	確率的サンプリング有効化
num_beams	int	1以上	ビームサーチ幅
fps	float	0.0〜10.0	動画フレームレート
max_num_frames	int	1〜2048	処理最大フレーム数

fpsとmax_num_framesは動画解析の粒度と計算コストを直接左右するため、用途別に最適値のチューニングが必要です。リアルタイム用途ではfpsを低めに、長尺の詳細解析ではmax_num_framesを大きめに設定するのが基本です。

Woven City Integrated ANZEN Systemとの統合

Woven City AI Vision Engine は単独のAIではなく、Woven City Integrated ANZEN System（交通事故ゼロを目指す統合安全システム）の中核エンジンとして設計されています。ANZEN Systemは以下3つの独自AIの組み合わせです。

技術	役割
Woven City AI Vision Engine	カメラ映像→言語化・イベント予測。中核エンジン
Woven City Behavior AI	個人の行動特性を予測・解釈（歩行者・ドライバー個別の癖を学習）
Woven City Drive Sync Assist	ドライバー状況・周辺環境に応じた運転支援の最適化

この統合により、車両・信号機・街頭カメラのデータを横串で読み取り、「歩行者の急な飛び出し」「スマホ注視による注意散漫」などを事前検知し、同期的な減速・警告・操舵補正を行います。

Woven by Toyotaの思想は「AIは人の代替ではなく、人の力を引き出すもの」です。完全自動運転そのものを目的とするのではなく、事故予防・ヒューマンエラーの補完にフォーカスしている点が、他社の自動運転特化AIとは立ち位置が異なります。

実証事例｜UCC Japan×Woven Cityのコーヒー行動解析

Woven City AI Vision Engine は自動車・モビリティ以外の用途でも活用が始まっています。象徴的なのがUCC Japanとの連携です。

Woven City内の「上島珈琲店 Woven City店」に設置された天井カメラ映像を本モデルが解析し、以下をデータ化しています。

コーヒーを飲むタイミング
スマホ操作の頻度
会話・集中時の体の微細な揺れ
姿勢や表情の変化

これらの情報を、コーヒーが創造性・生産性に与える影響の検証に活用する実証プロジェクトです。「監視」ではなく「行動の意味を解釈する」用途として、小売・飲食・オフィス・教育など幅広い応用可能性を示しています。

Inventorsエコシステム｜24社体制の意義

2026年4月時点で、Woven CityのパートナーであるInventorsは24社体制に拡大しました（前回比4社追加）。新規参画4社の内容は以下の通りです。

新規参画企業	分野	Woven Cityでの役割
AIRoA（AIロボット協会）	AIロボット	ロボット連携・安全規格の共同策定
Joby Aviation	eVTOL（空飛ぶクルマ）	地上自律×空中輸送の統合実験（トヨタが最大8.94億ドル出資予定）
第一興商	エンタメ	選曲レスカラオケの実証（感情AIとの連携）
トヨタファイナンシャルサービス	金融	モビリティ×金融サービスの統合実験

Joby Aviationの参画は特に注目度が高く、地上の自律走行システム（Woven City AI Vision Engine で映像認識）と空中の電動航空機が連携する「空飛ぶクルマ＋スマートシティ」の統合実証が可能になります。

Woven Cityの住民は現在約100名で、Phase 1の完成後は300〜360名に拡大予定です。住民のリアルな行動・生活パターンが継続的にAI学習データとして活用されており、Woven Cityは単なる実験都市ではなく生きたデータプラットフォームとして機能しています。

なお、Inventor Garageは東富士工場プレス建屋を改修した延床面積約24,000㎡の施設として2026年4月から稼働を開始しており、外部パートナーとの共同実証の場となっています。

WTSデータセットと学術的背景

本モデルの技術的信頼性を支える重要な基盤が、WTS（Woven Traffic Safety）Datasetです。

項目	内容
開発元	Woven by Toyota
データ規模	1,200以上の動画イベント、数百の交通シナリオ、3D視線（Gaze）データ
採用実績	CVPR 2024 AI City Challenge Track 2 公式データセット
NEDO補助	プロジェクトJPNP20017（新エネルギー・産業技術総合開発機構）の支援成果
ライセンス	学術研究目的のみ（商用利用不可）

WTSデータセットは歩行者中心の交通安全動画を体系的に収録し、CVPRという国際トップカンファレンスで公式採用されました。本モデルの学習・評価に使われたデータが国際的に認められた研究品質であることを裏付けています。

NEDOプロジェクトJPNP20017による政府系機関の補助を受けた点も重要です。技術の継続性・信頼性という観点から、エンタープライズ導入の検討材料になります。

生成AIやVLM全般の技術背景を理解したい方は、生成AIとは何か・仕組み・活用事例まで解説した記事も参考になります。

Woven City AI Vision Engine の弱み・注意点

現時点で確認できている制約

v1.0.5-alphaのアルファ版：仕様・価格・API変更の可能性が高く、本番投入には自社での検証が前提
日本語応答の性能は公式から未明示：MVBenchは英語中心のため、日本語プロンプトでの精度は個別検証が必要
オンプレ版・モデルウェイトのダウンロードは現時点で未確認：AWS SageMaker経由のマネージド提供が基本
法人契約の詳細やボリュームディスカウントは未公開
Behavior AI/Drive Sync Assistの外部提供可否は未発表
出力はテキストのみ：画像・動画の生成機能はなし（入力はマルチモーダル、出力はテキスト）
ライセンスは"Other"カテゴリ：商用利用前に条件の個別確認が必須
英語中心のAPIドキュメント：日本語ドキュメントの充実度は未確認

プライバシー・法令対応の実務観点

Woven by ToyotaのプライバシーファーストなData Fabric設計：

Data Fabric：個人が自分のデータへのアクセスをリアルタイムで許可・拒否できるデータ管理フレームワークを採用
顔認識を使わず服装特性で個人識別：直接的な顔認識を回避するプライバシー配慮設計
データはトヨタ実験内に保持。広告目的での第三者販売なし（公式発言）
Woven City住民の98%がカメラ搭載ロボットの室内入室に同意（同意ベースの運用）

ただし導入企業側の責任で整備が必要な事項：

映像データの保管期間・保管場所（国内/海外）
顔・ナンバープレート等の特定個人情報の扱い
店舗・施設内での事前告知・オプトアウト設計
ログ・推論結果のアクセス制御と監査証跡
AWS IAMロール管理・VPCプライベートデプロイの実装
通信の暗号化（TLS）確認

本モデルは監視カメラ映像を扱う性質上、個人情報保護法・各自治体のカメラ条例への対応が前提です。「人中心・倫理重視」を公式方針として掲げていても、実装責任は導入企業側にあります。

生成AIのセキュリティリスク全般については、生成AIセキュリティリスクの解説記事も参照してください。

他社VLMとの違い・使い分け

動画・画像理解の分野では、GPT系・Gemini系・国産オープンモデルなど選択肢が増えています。用途別の選び分けを整理します。

主要VLMとのポジショニング比較

モデル	提供元	強み	本モデルと比べた位置付け
Woven City AI Vision Engine	Woven by Toyota	動画理解・都市/モビリティ特化・8B軽量	都市カメラ・車載映像・長尺動画の実運用
GPT-4o系	OpenAI	汎用推論・画像理解の幅広さ	汎用コンテンツ・文書理解が中心
Gemini 2.5 Pro	Google	ロングコンテキスト・Googleエコシステム統合	ドキュメント×動画の汎用マルチモーダル
Qwen3-VL系	Alibaba	多言語・汎用オープンモデル	汎用研究開発・多言語用途
InternVL系	OpenGVLab	研究用途のオープンVLM	ベンチマーク比較・学術研究

※他社モデルのスペック・ベンチマーク値は各社の発表・MVBench公式リーダーボードで最新値を確認してください。

用途別の選び方

都市・交通・工場・店舗など「現場カメラの動画を常時解析する」用途 → Woven City AI Vision Engineが最有力
汎用的な文書×動画×画像のハイブリッド質問応答 → Gemini 2.5 Pro/GPT-4o系
研究用途・オープンモデルで自前チューニング → Qwen3-VL/InternVL系
画像生成・テキストチャットが主目的 → ChatGPT/Claude系

本モデルは「街・車・人の挙動を言語化する」ユースケースに最適化されており、汎用チャット用途で使うのは過剰です。一方でこの領域では、汎用VLMでは精度・レイテンシ・コストの三角形を解き切れません。

AIツール全般の比較については、生成AIツールおすすめ比較も参考にしてください。

こんな企業におすすめ / おすすめしない企業

Woven City AI Vision Engine は強力ですが、すべての企業に合うわけではありません。2026年5月時点の情報をもとに判断基準を整理します。

こんな企業におすすめ

モビリティ・自動車・交通インフラ事業者：車両・信号・街頭カメラのデータ統合運用を検討している
製造業・物流倉庫：作業者安全・工程異常・設備監視をカメラで自動化したい
大規模小売・飲食チェーン：店舗内行動を解析し、体験設計・オペレーション改善に活かしたい
スマートシティ/自治体PoC：プライバシー配慮と倫理重視の設計を求める実証プロジェクト
AWSエコシステム内で完結させたい企業：SageMakerでのデプロイ運用に慣れている
長尺動画の自動要約・検索が業務に直結する企業：監視・会議録画・工程記録

こんな企業にはおすすめしない

画像生成やテキストチャットが主目的の企業 → GPT系/Gemini系で十分
オンプレミスでのモデル運用が必須の企業 → 現時点ではAWS経由のマネージド提供が基本
日本語応答品質が最優先で検証コストを掛けたくない企業 → 個別検証が前提
本番SLAが確定していないと導入できない企業 → アルファ版であることを要確認
月数万円以下のコストに抑えたい小規模PoC → インフラ込みで一定の実証予算が必要

よくある質問（FAQ）

Q1. Woven City AI Vision Engine はいつから使えますか？

2026年4月22日の発表と同時に、AWS Marketplace（Amazon SageMaker）でv1.0.5-alphaとして一般提供が始まっています。Woven City内の実証も同日から本格稼働しています。

Q2. Woven City AI Vision Engine と自動運転は関係ありますか？

直接の関係はありますが、本モデル単体が自動運転を実現するわけではありません。本モデルは「映像→言語」で状況を解釈する基盤モデルで、Woven City Integrated ANZEN System全体（Behavior AI/Drive Sync Assist）と組み合わせて運転支援・事故予防に使われます。位置付けは「人を補完するAI」であり、完全自動運転の代替ではありません。

Q3. 日本語で使えますか？

現時点では、公式から明確な日本語対応水準の記載はありません。MVBenchは英語中心のベンチマークのため、日本語プロンプトや日本語応答の精度は個別検証が推奨されます。

Q4. なぜ8Bという小さいモデルなのですか？

街中・車両・店舗などへの常時稼働での多拠点展開には、モデルの軽さが運用コスト・レイテンシ・電力消費に直結するためです。独自の2段階階層的圧縮により、8Bでも大型VLMに匹敵する動画理解精度を実現している点が本モデルの最大の強みです。

Q5. オンプレ導入はできますか？

現時点ではAWS Marketplace（SageMaker）経由のマネージド提供が基本で、オンプレ版やモデルウェイトのダウンロード提供は未確認です。今後の展開はWoven by Toyotaの公式情報を継続的に確認してください。

Q6. MVBench 73.81%はどれくらいすごいのですか？

2025年9月時点のリーダーボードでは1位のスコアであり、2位のQwen3-VL-30B-A3B（71.87%）に約2ポイント差をつけています。8Bという軽量サイズで30Bクラスの大型モデルを上回ったことが業界に注目された理由です。ただしリーダーボードは常に更新されるため、比較は最新値で行ってください。

Q7. プライバシー面は大丈夫ですか？

Woven by ToyotaはData Fabricによるユーザー主導のデータ管理、顔認識を回避する服装特性での個人識別、データの第三者非販売方針などを採用しています。一方、実際の運用では導入企業側の責任で、個人情報保護法・自治体条例・社内規定に沿った設計（事前告知・保管期間・アクセス制御・監査証跡）を整備する必要があります。

Q8. 正式名称は何ですか？

正式名称は「Woven City AI Vision Engine」です。開発元のWoven by Toyotaが対外的に使用している正式名称であり、本記事でもこの正式名称を使用しています。

まとめ｜Woven City AI Vision Engine は「街の目」を担う軽量VLMの新標準候補

Woven City AI Vision Engine：トヨタ×Woven by Toyotaが2026年4月22日に発表したマルチモーダルVLM
8BパラメータでMVBench 73.81%（2025年9月時点リーダーボード1位）：軽量×高精度を両立
独自の2段階階層的圧縮（Fine-grained/Coarse-grained）で長時間動画理解と低レイテンシを両立
AWS Marketplace（SageMaker）で$5〜$8/時間のソフトウェア料金で試せる（v1.0.5-alpha）
Inventorsエコシステム24社体制：Joby Aviation参画で地上自律×空中輸送の統合実証が可能に
WTSデータセット×NEDOプロジェクトJPNP20017：CVPR 2024採用の学術的に裏付けられた基盤
Data Fabricによるプライバシーファースト設計：顔認識を使わない個人識別、ユーザー主導のデータ管理
モビリティ・製造・小売・スマートシティ用途に最適化。汎用チャット用途向けではない
現時点ではアルファ版＋AWSマネージド提供が前提。本番投入には自社検証が必要

動画理解AIの競争はグローバルで激化していますが、「都市と現場で常時使える軽量VLM」というポジショニングでWoven City AI Vision Engine は独自の立ち位置を確立しています。自動車メーカー初のVLM商業販売という挑戦が、モビリティとAIの融合にどう影響するかは継続ウォッチすべきテーマです。