一言で言うと
米国のフードデリバリー大手DoorDashが「Tasks」という新しいアプリを立ち上げ、配達員に日常動作の動画や音声を集めてもらう仕組みを始めました。集めたデータは、AIやロボットが「人が現実の世界でどう動き、どう話すか」を学ぶ材料として使われます。
何が起きているのか
DoorDashは、配達員がAIやロボットの学習用データを集めると報酬を得られる新アプリ「Tasks」を公開しました。配達員が集めるのは、たとえば「皿を洗う」「物を持つ」「歩く」といった日常動作の動画や、外国語で話す音声データです。DoorDashは、こうしたデータがAIやロボットにとって「現実の世界で人がどう動き、どう作業し、どう話すか」を学ぶ材料になると説明しています。報酬は、作業の手間や難しさに応じて事前に提示されます。
Bloombergによると、提出された音声や動画は、DoorDash社内のAIだけでなく、小売、保険、ホスピタリティ、テクノロジー企業のAIモデル評価にも使われる予定です。つまり、単に「動画を集める」のではなく、AIが人の動きや作業手順をどこまで正しく理解できるかを確かめるための材料として使われます。具体例としては、ボディカメラを付けて5枚以上の皿を洗う様子を撮影し、洗い終えた皿を数秒ずつ画面に映す、といったタスクがあります。
同様の動きはUberも進めており、ドライバーにAI学習用の写真などを集めてもらう計画を発表しています。要するに、ギグワーカーを「配達する人」だけでなく、「AIに現実世界を教える人」としても活用し始めたわけです。DoorDashの「Tasks」は、配達員に配達以外の収入源を与えると同時に、企業側には現場データを集める手段を提供します。現在は米国の一部地域で使え、今後はタスクの種類や対象国を広げる計画です。
AI業界の文脈では
AI、特にロボティクスや自動運転、そして物理世界と関わるAIにとっては、現実世界の多様な状況を学ぶための高品質なデータが欠かせません。ただ、こうしたデータを集めるには、人に実際の動作を撮影・録音してもらい、その後で内容を整理し、AIが学べる形にそろえる必要があります。
つまり、お金も時間も人手もかかる作業でした。ギグエコノミーのプラットフォームが持つ広い人的ネットワークを、AI学習データ収集の基盤として使うこの方法は、そうした負担を減らしながら、より大規模にデータを集める道を開きます。
この仕組みは、AIに人の動きや作業手順を学ばせやすくするため、物理世界を扱うAIの性能向上につながる可能性があります。また、ギグワーカーにとっては新たな収入源にもなります。つまりこれは、AI開発が新しい仕事を生む例でもあり、今後は他の業界でも似た仕組みが広がる可能性があります。
私の見立て
物理世界とAIのギャップを埋めるデータ収集は、AIの実用化における最大のボトルネックの一つであり、ギグワーカーの活用はその解決策として極めて合理的です。このモデルは、AIが現実世界で機能するための「目」と「耳」を効率的に提供し、特にロボティクスや自動運転、スマートシティといった分野でのAI導入を加速させるでしょう。
医療分野においても、例えば遠隔医療における患者の生活環境データ収集や、介護ロボットの学習データ収集など、応用範囲は広範に及びます。
経営者としては、自社のビジネスモデルにおいて、AI学習に必要な「現場データ」をどのように効率的かつ倫理的に収集するかを再考する機会となります。
AIビルダーとしては、高品質な実世界データへのアクセスが容易になることで、より堅牢で汎用性の高いモデル開発が可能になることを意味します。
→ 何が変わるか: ギグワーカーがAI学習データの主要な供給源の一つとなり、AIの物理世界理解能力が飛躍的に向上するでしょう。
→ 何をすべきか: 企業は、自社のAI戦略において、ギグワーカーを活用したデータ収集モデルの導入可能性を検討し、倫理的なデータ利用ガイドラインを策定すべきです。