京東（JDドットコム）の無料ヘルメット15万個と配達員の1人称視点映像
京東が配達員15万人に無料配布するスマートヘルメットにはカメラが付いています。なぜ1人称視点映像がロボット学習の貴重な原料なのか、その対価は誰が受け取るのかを考えます。
社会無料ヘルメット15万個、そして1台のカメラ
8月3日、京東（JDドットコム）がフードデリバリー配達員向けのスマートヘルメットを公開しました。音声で注文を受け付け、ベテラン配達員の実際の走行ログを分析してルートを案内し、転倒時には救助要請を送信するデバイスです。専業配達員15万人へ優先的に無料で支給するとのことです。
報道はおおむね「安全性」と「効率性」に焦点を当てていました。しかし、私の目に留まったのは別の点でした。このヘルメットには、周囲の環境を認識するカメラが搭載されているのです。
前号では、インド・カルールの紡績労働者の話を取り上げました。額にGoProを装着し、服をたたむ場面を撮影して時給約2.6ドルを受け取っていた人たちのことです。中国のプラットフォームは、それと似た性質の映像を、時給を支払うことなく収集しています。
京東・美団・アリババが3年かけて普及させたスマートヘルメット
京東が公開したヘルメットの機能一覧は次の通りです。濡れた手で画面を操作しなくても音声で新規注文を処理し、顧客と通話し、「ドアの前に置いてください」といった要望事項を自動で読み上げてくれます。地図アプリの代わりに熟練配達員が実際に走ったルートを学習し、ターンバイターン方式でナビゲーションします。店舗で料理を受け取る際に衛生状態を自動点検する機能も盛り込まれています。京東は、配達1件あたり道を探す時間が平均3分ほど短縮されると期待を示しました。
先に動いたのは京東ではありません。美団（メイトゥアン）は2025年6月までにスマートヘルメットを100万個以上普及させました。音声通話、転倒検知センサー、自動緊急対応機能が備わっています。アリババのデリバリー部門（当時の餓了麼〈ウーラマ〉、現在の淘宝閃購〈タオバオ・シャングー〉）は、2022年末に同様のヘルメットをすでに発表していました。
中国のデリバリー配達員は、2025年初頭の時点で1,000万人を超えています。新華社通信が報じた数字です。3大プラットフォームが3年がかりで、この市場へ同種の装備を投入し続けているわけです。
これらのヘルメットがもたらす安全上の利点は本物です。豪雨の中で濡れた手でスマートフォンを操作するよりも、音声で処理するほうが安全です。転倒検知とワンタッチ救助要請は、事故が起きた際の生存率を左右する機能です。宣伝文句を抜きにしても、実際にそうした効果があります。
ただし、3社のヘルメットにはもう一つ共通点があります。カメラ、マイク、位置センサーが配達員の頭の高さに固定され、一日中都市を走り回っているという点です。そして、すべて無料なのです。
ロボティクスで最も入手が難しい資源は1人称視点映像です
現在のロボティクス業界において最も入手困難な資源は、モデルや半導体ではなく、人間の目線で撮影された1人称視点映像1です。
6月、北京大学、シンガポール国立大学、MIT、カリフォルニア大学サンタバーバラ校（UCSB）、Nvidiaの研究者らが共同で発表した『HumanScale』という論文が、この問題を正面から取り上げました。実験設計は見事です。同じ5,000時間を2種類の方法で満たし、ロボットを事前学習2させました。一方は人間が頭にカメラを付けて撮影した1人称視点映像、もう一方は実機ロボットが収集した走行・操作ログです。
結果は一般的な通念の逆でした。学習時に見たことのないタスクを行わせた際3、人間の1人称視点映像で学習した側の損失値が約20%低かったのです。実機ロボットを使った実験では、さらに劇的でした。事前学習を行っていないロボットは初見タスクの成功率が0%だったのに対し、1人称視点映像で事前学習したロボットは90%に達しました。
なぜでしょうか。論文が提示した理由はシンプルです。ロボットのデータは研究室で、決められたシナリオ通りに、固定されたアームが届く範囲内でのみ生成されます。一方、人間の映像は家や街路、作業現場を行き来し、動きが滑らかで、静止している時間がわずかです。同じ100時間を撮影しても、人間の映像から抽出される動作の軌跡はロボットデータの5倍を超えていました。
では、このデータはどれほど貴重なのでしょうか。学会でデファクトスタンダードとして使われている1人称データセット「Ego4D」は、9カ国923人が撮影した3,670時間分です。研究プロジェクトとして数年がかりで集めた規模です。
ここで、京東の数字を横に並べてみましょう。専業配達員15万人が1日にたった1時間だけ撮影すると極めて控えめに見積もっても、1日15万時間になります。Ego4Dの40個分が1日で蓄積される計算です。HumanScaleが事前学習に使った5,000時間を30回満たしてもお釣りがきます。中国全体の配達員1,000万人に広げれば、既存のデータセットと比較すること自体が無意味なほどの規模になります。
インド・カルールの単価で換算してみましょうか。時給2.6ドルなら1日39万ドル、1年なら1億4,000万ドルを超えます。15万人基準で、です。これだけのデータ収集人件費が、そもそも帳簿に計上されていないわけです。
もちろんバランスを取るため、2点補足しておきます。
まずは論文の限界です。著者陣が自ら明かしている通り、比較規模が5,000時間に縛られています（公開されている実機ロボットデータ自体が不足しているためです）。実機ロボットによる検証はタスク3つ、ロボットプラットフォーム1種類のみで行われました。数十万時間規模でも優位性が維持されるかどうかは、まだ確認されていません。ただ、100時間から5,000時間まで性能が対数線形に向上し続けた点（R²=0.86〜0.94）は、「投入量を増やせばさらに良くなる」というシグナルと読み取れます。
そしてデータの性質も異なります。HumanScaleが扱ったのは、主に手で物を扱うマニピュレーション（操作）タスクです。ヘルメットカメラが捉えるのは、それよりも都市の走行に近いです。路地の構造、団地の棟と棟の間の近道、店舗の入り口を探して入るルート、エレベーター前での待機といったものです。ロボットアームというよりは、自動運転配送車や配送ロボットのほうに、より直接適合する原料です。そして奇しくも、いま中国で最も急速に普及しつつあるのが、まさにその自動運転配送車なのです。
契約書にない項目
前号で取り上げたインドの事例と今回の中国の事例は、対価を支払う方式において決定的に異なります。
インド・カルールのモデルには「名前」がありました。データ収集契約が存在し、時給が定められ、労働者は自分が今「AI学習用の映像を撮影する仕事」をしていると認識しています。対価が不当に低いにせよ、契約と時給が文書として可視化されています。取引である以上、交渉の対象になり得ますし、単価が引き上げられる余地もあります。
中国のモデルには「名前」がありません。配達員が署名したのは配達の業務委託契約であり、頭に装着したのは安全装備です。データ収集は別個の副業ではなく、すでに行っていた日常の業務の中へと滑り込ませられました。支払いもなければ費目もなく、したがって交渉すべき対象そのものが生じません。
前号では、AI学習データを誰が所有するのかを問いました。今回は、データ収集が契約書に労働の対価として明記されないとき、どのように報酬を要求できるのかを掘り下げてみたいと思います。
実のところ、証拠はすでに製品説明書の中にあります。京東のヘルメットの主要機能の一つに「ベテラン配達員ルート案内」があります。配達実績の優れた配達員の実際の走行ログを分析し、新人配達員へ最適ルートを音声で案内する機能です。よく観察してみると、これは熟練労働者の経験をモデルとして抽出し、未熟練労働者へ配布する装置です。ベテラン配達員にそのノウハウ料が別途支払われたという話はどこにもありません。これは私の推測ではなく、会社側が自ら公表した機能説明そのものです。
タイミングも偶然ではありません。中国の国家市場監督管理総局は7月4日、電子商取引法の改正草案を公開しました。フードデリバリー配達員のような外注労働者の安全、賃金、基本的な社会保障に対するプラットフォームの責任を強化する内容で、8月4日までパブリックコメントを募集していました。中国のフレキシブルワーカー（柔軟就業人口）は約3億人に達します。
しかし、配達員たちの反応は興味深いものでした。SCMPの取材に応じた張亮（ジャン・リャン）という配達員は、1日12時間働き、300人民元（約44ドル）を稼ぎます。彼が望むと語ったのは社会保険ではなく、「1件あたりのより高い手数料と、無理のない配達時間」でした。保険料の負担が増えれば、手元に残る手取り額が減ってしまうからです。
プラットフォームの立場から見れば、この法改正は人件費高騰のシグナルです。一方で、自動運転配送車のコストは急速に低下しています。中国の自動運転配送車は7月時点で全国に1万5,000台以上配備され、200以上の都市で運行認可を得ています。数年前には100万人民元を超えていた車両価格は、いまや2万人民元未満へと暴落しました。ハードウェア原価は2021年の3万ドルから、現在では1万ドルを下回っています。
京東の劉強東（リウ・チャンドン）会長は6月21日、北京で開かれたAPEC中国CEOフォーラムで次のように述べました。ロボットが配達を担うようになり、将来的には配達員70万人が代替される可能性がある、と。そして全国120校あまりの学校と連携し、職種転換の教育訓練を準備中だと付け加えました。
規制の側面もあります。中国において道路や地形を測量し、地理データを収集することは誰もができることではありません。認可制の事業であり、特に車両が収集する地理情報は特別な統制を受けます。外国企業が中国の街頭を走ってデータを蓄積する道は、事実上閉ざされていることを意味します。つまり、配達員の頭上で毎日生成されるこの都市スキャンデータは、構造的に中国国内のプラットフォームだけが蓄積できる資産なのです。前号でお話しした「どのレイヤーを誰が所有するのか」という構図が、ここでは国家単位で再び現れています。
最後に、誠実に一線を引いておきます。京東はヘルメットに蓄積されるデータを配車効率の改善や安全管理に用いると発表しただけで、カメラ映像をロボットや自動運転の学習に使用すると公表したわけではありません。この2つの事実を直接結びつける公の証拠は、現時点ではありません。私が指摘したいのは直接の因果関係ではなく、関連する諸要素が1つの企業の中に揃っているという事実です。高価な1人称視点映像を毎日生成する装備、そのデータを必要とするロボティクス事業、配達員70万人が代替され得るという最高経営者の見通しが、すべて京東の中に同居しているのです。
Oswarldの視点
私はこの問題において、監視を巡る議論よりも重要なのはデータ収集が会計上どの費目として処理されているかだと考えています。
GTM戦略を策定する中で、繰り返し目にしてきたパターンが一つあります。支出を抑える際、単価を値切る代わりに、その支出をそもそも独立した費目として計上しない手法です。インドのモデルでは、データ収集が費用項目として明記されていました。項目として記載されていれば、誰かがその金額を確認し、精査し、引き上げを要求することができます。中国のモデルでは、同じ作業が安全装備の予算として処理されます。誰もその支出を「データの買い取り」とは呼びません。
労働問題がより扱いづらくなるのは、対価が低いときよりも、その作業がそもそも対価を授受する仕事として扱われていないときです。単価が低ければ、その金額を根拠に引き上げを要求できますが、契約書に費目すら存在しなければ、何をいくら上げてほしいと主張する根拠すら失われてしまいます。
そしてこれは、他国のデリバリー市場に限った話ではありません。韓国国内でも業務アプリ、車載端末、物流センターのウェアラブルスキャナー、顧客対応の通話録音といった機器が、日々膨大な作業データを生み出しています。しかし、そのデータを企業がAI学習へ二次利用できるのか、許容される範囲はどこまでか、対価はどう算定されるのかが、雇用契約書や業務委託契約書に明記されているケースは稀です。
技術導入の検討を支援する際、私が最近必ず確認する項目が一つ増えました。「このツールが収集するデータの二次利用条項は契約書にありますか？」大半はありません。「ない」というのは禁止されているという意味ではなく、誰もその問いを立てたことがないという意味です。
私は毎週、テクノロジー・経済・人文学を交差させて分析するニュースレターを配信しています。こうした問いを粘り強く掘り下げていくことこそが、このニュースレターの役割です。
おわりに
今回のポイントは3点です。
第一に、人間の頭の高さから撮影された1人称視点映像は、現在のロボティクスにおいて最も入手が難しい学習データです。『HumanScale』の実験では、この映像で事前学習した側のほうが、同じ時間の実機ロボットデータで学習した側よりも初見タスクにおいて優れた性能を発揮しました。
第二に、インドではその映像を時給を支払って買い取り、中国のプラットフォームは無料の安全装備にカメラを仕込むことで同種の映像を集めています。両者の違いは金額の差よりも、データ収集が契約書上の項目として表れているかどうかにあります。
第三に、配達員の社会保障責任を強化する法整備が議論されて人件費負担が重くなる一方で、自動運転配送車の価格が100万人民元台から2万人民元未満へと下落したタイミングで、このヘルメットが登場しました。ヘルメットが実際に安全性を改善するのも、配達員の代替予測が公に語られたのも、どちらも事実です。
前号ではカルールの労働者を巡り、それが解放なのか搾取なのかを問いました。今号の問いは少し異なります。対価も支払われず、契約書に項目すら存在しないこのようなデータ収集を、私たちは何と呼ぶべきなのでしょうか。
💬 現在お使いの業務用ツール（社内アプリ、車載端末、通話録音、ウェアラブルスキャナー）の中に、「これは会社が学習データとして使うかもしれない」と感じたものはありますでしょうか。どのようなツールで、なぜそう感じられたのか、コメント欄でお聞かせください。
💬 「これは学習データとして使われそうだ」と感じたツールをコメント欄で教えてください。次号で取り上げてみたいと思います。 📨 データ・労働・契約について関心をお持ちの方が身近にいらっしゃいましたら、ぜひこの記事をシェアしてください。
参考資料と関連リンク
主要出典
- Ma, J., Bi, J., et al., “HumanScale: Egocentric Human Video Can Outperform Real-Robot Data for Embodied Pretraining”, arXiv:2606.20521, 2026. リンク ··· 本稿の骨子となる論文です。人間の映像とロボットデータの多様性を項目別に比較した表や、実機ロボットの成功率0%対90%の記述からご覧いただくと、なぜ1人称視点映像が貴重なのかが即座に理解できます。
- “HumanNet: Scaling Human-centric Video Learning to One Million Hours”, arXiv:2605.06747, 2026. リンク ··· HumanScaleが学習データを抽出した元となるリポジトリです。100万時間のうち80万時間以上が1人称視点映像であるという規模感が掴めます。
- “China’s tech giants race to put AI on delivery riders’ heads”, South China Morning Post, 2026. リンク ··· 京東・美団・アリババの3社のヘルメットを一挙に比較した記事です。本稿の出発点でもあります。
- “Stronger social security? Proposed law sparks a pushback by gig workers”, South China Morning Post, 2026. リンク ··· 配達員自身が社会保険よりも1件あたりの手数料を望んでいると語るくだりが核心です。保護立法のパラドックスを示しています。
- “China’s Delivery Revolution”, The Wire China, 2025年10月. リンク ··· 自動運転配送車の価格が100万人民元から2万人民元へと急落した経緯を数字で追跡しています。人件費の曲線と重ね合わせてお読みください。
背景知識
- Grauman, K., et al., “Ego4D: Around the World in 3,000 Hours of Egocentric Video”, CVPR, 2022. リンク ··· 1人称視点映像データセットのデファクトスタンダードです。923人・3,670時間という規模感を把握しておくと、本稿の計算がぐっと鮮明になります。
- 「‘70万人の配達員は不要になる’…中国・京東トップの警告」, ソウル経済、2026年6月。 リンク ··· 劉強東のAPECフォーラムでの発言と、中国のギグワーカー3億2,000万人という文脈が整理されています。
- Restrictions on geographic data in China, Wikipedia. リンク ··· 中国の測量・地図データ規制の構造を概観するのに適しています。なぜこのデータが国内プラットフォーム独自の資産となるのかを理解する助けになります。
あわせて読みたいバックナンバー
- 額にGoPro、ロボットを育てる人々 ··· 本稿の前編です。インド・カルールの時給2.6ドルがどこから出てきた数字なのか、そして「レイヤーの所有」という枠組みがどのように生まれたのかをこちらでご確認いただけます。
- ラッダイトが破壊したのは機械ではありませんでした ··· 労働者が自らを代替するシステムの学習に寄与することになる構造は、200年前にも存在しました。本稿と並べて読むと共通のパターンが見えてきます。
📝 用語解説
각주
-
1人称視点映像（Egocentric video）：人の頭部や目線にカメラを装着して撮影した映像です。第三者視点の映像とは異なり、手と物体が接触する瞬間や、人が実際に見ている画角がそのまま記録されるため、ロボットに動作を学習させる際の有用性が格段に高くなります。 ↩
-
事前学習（Pretraining）：特定のタスクを教え込む前に、大量の汎用データを用いてモデルの基礎力をあらかじめ構築しておく段階です。料理を教える前に包丁の握り方や火の扱い方を身につけさせることと似ています。 ↩
-
分布外汎化（Out-of-distribution generalization）：学習時に経験したことのない未知の状況においても正しく機能する能力です。ロボットが実験室を出て実環境で真に役立つためには、この能力が成否を分けます。 ↩