Statcastは大谷翔平の何を「見ている」のか——毎秒2,000フレームが捉える二刀流の物理量
1球のスライダーが放たれてからミットに届くまで、およそ0.4秒。その間にMLBのトラッキングシステムは、ボールの回転数・回転軸・三次元座標・速度変化をすべて記録しています。人間の目では追えない物理量を、カメラとアルゴリズムが丸ごと「見ている」のです。
この技術基盤がStatcast——正確にはHawk-Eye Innovations社の光学トラッキングシステムです。2020年シーズンからMLB全30球場に導入され、各スタジアムには12台の高解像度カメラが設置されています。内訳は、ボール追跡専用が5台、選手の動き追跡用が7台。ボールの位置精度は±0.1インチ（約2.5mm）に達します（Sony PRリリース、2020年8月）。
さらに2023年、ボール追跡用カメラのフレームレートが100fpsから300fpsへ引き上げられました（Marks & Clerk、2026年4月）。スピンレートや変化量の捕捉精度が飛躍的に向上し、投手の「指先で何が起きているか」にまで解像度が迫っています。加えて2024年にはバットトラッキング技術が導入され、バットスピードやスイング長といった打撃メカニクスの定量化も始まりました。ポーズトラッキングでは、選手の骨格18点を毎秒30フレームで追跡しています。
ここで重要なのは、大谷翔平というプレイヤーの特異性です。通常、Statcastが追跡するデータは「投手としてのデータ」か「打者としてのデータ」のどちらかに分類されます。しかし大谷の場合、同一人物に対して両方のデータセットが同時に蓄積される。投手としての平均速球球速97.8mph、奪三振率27.9%、空振り率30.4%。打者としての平均打球速度93.3mph、バレル率16.4%、ハードヒット率52%とされています（Baseball Savant、2026年シーズンデータ）。これらが一人の身体から生み出されているという事実。
実は、この「二刀流データの同時蓄積」こそが、分析上の最も複雑なユースケースを生み出しています。投球時の肩関節の負荷データと、打撃時の体幹回旋データは、同じ筋骨格系の異なる使われ方を記録したものです。一方のパフォーマンスを最大化する身体状態が、他方にとって最適とは限らない。
Statcastは1試合あたり最大7テラバイトのデータを生成し、レギュラーシーズン全2,430試合で2,500万件のユニークなデータポイントを収集しています（Databricks、2021年10月／Google Cloud公式ブログ）。膨大なデータの海。その中で大谷のデータは、投と打の物理量が交差する唯一の座標軸を描いています。
この記事では、3つの視点からその複雑さを掘り下げます。投打コンディションのトレードオフ、球団が構築する非公開AIモデル、そしてデータ活用格差がもたらす競争構造の変化。二刀流を支えるテクノロジーの内側に、いま何が起きているのかを見ていきます。
投手と打者、2つの最適解はなぜ衝突するのか——二刀流評価モデルが抱える設計上の矛盾
投手・大谷翔平の最適解と、打者・大谷翔平の最適解は、同じ身体の上で成立しなければなりません。ここに、従来のパフォーマンス予測モデルが想定していなかった根本的な難しさがあります。
通常、MLBの分析モデルは選手を「投手」か「野手」のどちらか一方として評価します。投手であれば、登板間隔・投球数・肩の疲労蓄積をもとに故障リスク曲線を描く。野手であれば、打席数・スイング負荷・走塁量からコンディションの波を予測する。それぞれ独立した単一軸の最適化問題です。
しかし大谷の場合、この2つの軸が1人の身体を共有しています。
具体的に見てみます。2026年シーズン前半、大谷は投手として8勝2敗・防御率1.79という圧巻の数字を残しました（LegionReport、2026年7月）。平均速球球速97.8mph、空振り率30.4%。投球面だけを見れば、自身のキャリアベストに近い水準です。同時に打者としても、ドジャースのホームランリーダーとして30本塁打・長打率.537を記録しています（Baseball Savant、2026年9月）。
正直、数字だけ並べれば「両立できている」ように見えます。
ところが7月3日、110球・6イニングを投げたのを最後に、大谷はマウンドから離れました。右上腕二頭筋の違和感が理由です（CBS Sports、2026年9月）。なお、膝への注射はその後のオールスター期間中に行われた別の処置であり、7月3日の途中交代とは直接の関係はありません。投球の高強度負荷が打撃側の身体にも波及した——あるいはその逆。因果関係の特定自体が、二刀流ならではの困難さです。
ここに重要な転換点があります。AI予測モデルにとっての設計上の壁です。
投手としての故障リスクを下げるには、登板間隔を広げ、投球数を制限するのが定石です。実際、Dave Roberts監督は2026年開幕前に6人ローテーションの活用と追加休養日の導入を明言していました（MLB.com、2026年1月DodgerFest）。一方で「イニング制限は設けず、通常の先発投手として使う」とも述べています。
つまり、投手側のリスクを下げるために休養を増やせば、打者としての打席数やリズムが犠牲になる。打席数を確保しようとすれば、投球側の疲労管理が圧迫される。2つのリスク曲線が互いに押し合う構造です。
従来の予測モデルは、片方の曲線を最小化すれば済みました。二刀流モデルでは、両方の曲線を同時にモデリングし、その「交差点」——両方が許容範囲内に収まるスイートスポット——を見つけなければなりません。しかもそのスイートスポットは、疲労の蓄積や加齢とともに日々移動します。
ドジャースGMのBrandon Gomesが、大谷に続く二刀流選手の出現可能性を「close to zero（ゼロに近い）」と述べたのは象徴的です（ESPN、2026年9月）。この発言は、才能の希少性だけでなく、二刀流を支えるワークロード管理の複雑さが現行の分析フレームの限界に近いことを示唆しています。
2026年シーズンが突きつけた現実。それは「どちらも最高水準で維持し続けることの物理的コスト」が、データ上も身体上も可視化され始めたということです。では、この複雑な最適化問題に対してドジャースはどのようなモデルを組み上げているのか。次のセクションで、公開データの裏側にある非公開のデータ戦略に踏み込みます。
ドジャースR&Dが組み上げたプロプライエタリモデルの全貌——生体力学・睡眠・栄養をマルチモーダル統合する非公開データ戦略
Statcastのデータは、すべてのMLB球団に等しく公開されています。Baseball Savantにアクセスすれば、大谷の平均球速も打球速度も誰でも確認できる。では、球団間の分析力の差はどこから生まれるのか。答えは「公開データの外側」にあります。
ドジャースのR&D部門は、MLB屈指の規模と専門性を誇ります。ディレクターのDoug Fearingは MIT で博士号を取得した研究者であり、チームにはPh.D.保持者が多数在籍しています（MLB.com記事）。さらにDirector of Baseball InnovationであるMaxwell Weinsteinは、「プロプライエタリデータソースから新たな指標を導出する」役割を担い、選手トラッキングおよびバイオメカニクスデータから選手能力を予測する統計指標を開発しています（UC Berkeley卒業生インタビュー、2025年8月）。
実は、この「プロプライエタリデータソース」こそが、ドジャースの競争優位の核心です。
公開されているStatcastデータは、あくまで球場内のカメラが捉える物理量——球速、回転数、打球角度、骨格の動き——に限られます。一方、球団が独自に収集できるデータは、それよりはるかに広い。生体力学センサーによる関節負荷の計測、睡眠の質と時間のモニタリング、栄養摂取の記録。こうした非公開データを、公開Statcastデータと統合して初めて、選手のコンディションを「丸ごと」モデル化できます。
ドジャースの求人情報が、その設計思想を端的に示しています。「Director, Quantitative Analysis」のポジションでは、数学・統計・コンピュータサイエンス・データサイエンス等の博士号と5年以上のML/統計モデル構築経験が要求されます。職務内容は「選手評価・育成・戦略的意思決定のための機械学習モデル開発」。つまり、学術レベルの分析能力を前提に、複数のデータソースを横断するマルチモーダルなモデル構築を行っているわけです。
大谷の登板間隔最適化は、このプロプライエタリモデルの最も高度な応用先と分析できるでしょう。前セクションで述べた通り、投手と打者のリスク曲線を同時に制御する必要がある。公開データだけでは、疲労蓄積の「内側」——筋繊維の微細損傷や回復速度の個人差——は見えません。生体力学データ、さらには睡眠や栄養といった回復に関わる変数を組み込むことで、初めて「明日マウンドに上げていいか」の判断精度が上がります。
ちなみに、KinaTrax（Hawk-Eyeの子会社）は2024年開幕時点で一部8球場のシステムを300fpsから600fpsへ引き上げ、ライブ試合中のバイオメカニクス計測を行っています（KinaTrax LinkedIn公式投稿、2024年3月）。球場側のインフラが高精度化すれば、球団側の独自モデルに投入できる入力変数も増える。見えない軍拡競争。
ここで浮かび上がるのは、データへのアクセスと分析力の非対称性という問題です。Ph.D.級の人材を何人も抱え、非公開データを統合するモデルを運用できる球団と、公開データの集計で精一杯の球団。この格差が、次のセクションで掘り下げるテーマです。
数字で読む二刀流データの規模——StatcastログとAI処理が生み出す「情報の非対称」
まず、データの物量を確認します。Statcastは1試合あたり最大7テラバイトのデータを生成します（Databricks、2021年10月）。レギュラーシーズンは全2,430試合。単純計算で、1シーズンに最大約17,000テラバイト——17ペタバイト近い生データが球場から吐き出される計算です。
Google Cloud公式ブログによれば、MLBは各試合から2,500万件のユニークなデータポイントを収集・分析しています。2,430試合を掛け合わせると、シーズン全体で約607億件。ボールの回転軸、打球の射出角度、走者の加速度、野手の反応時間。あらゆる「動き」が数値に変換され、クラウドに蓄積されていく。途方もない規模です。
ここで注目すべきは、このデータの「入口」は全球団に平等だという点です。Statcastの計測結果はBaseball Savantを通じて公開され、どの球団でもアクセスできます。大谷の平均球速97.8mphも、バレル率16.4%も、誰でも見られる。
しかし、「出口」——つまりデータから意思決定に変換する能力——は、まったく平等ではありません。
この非対称性を生み出す要因は、大きく3つあります。
第一に、処理インフラの格差。MLBはGoogle Cloudとの複数年パートナーシップのもと、BigQueryによる大規模データセット分析、BigtableやCloud SQL（Postgres）によるライブデータの高速更新を運用しています（MLB公式プレスリリース、2020年3月）。さらにVertex AIでカスタム機械学習モデルを構築している（Moor Insights & Strategy、2025年5月）。リーグ全体のインフラは共通ですが、その上に各球団が載せる独自モデルの精度と速度には、大きな開きがあります。
第二に、人材の厚み。前セクションで触れた通り、ドジャースはPh.D.保持者を多数抱え、MIT博士号取得者がR&Dディレクターを務めています。5年以上のML経験を持つ専門家を複数配置できる球団と、アナリストが数名しかいない球団。同じ7テラバイトを受け取っても、抽出できる洞察の深さが違います。
第三に、非公開データの有無。公開Statcastデータは「球場内の物理量」に限定されます。生体力学センサー、睡眠モニタリング、栄養ログ。こうしたプロプライエタリデータを収集・統合する体制を持つ球団だけが、選手コンディションの「内側」にアクセスできる。情報の非対称の最深部です。
大谷翔平の二刀流データは、この格差を増幅させます。投手データと打者データを別々に分析するだけなら、既存のツールで対応可能です。しかし、両方のリスク曲線を統合し、登板間隔と打席配分を同時最適化するには、複数データソースを横断するマルチモーダルモデルが不可欠になる。そのモデルを構築・運用できる球団は、現状ごく一握りです。
正直に言えば、テクノロジーの恩恵は均等に届いていません。データの「生成」は民主化された。しかしデータの「活用」は、資本力と人材で決まる寡占的な競争領域のままです。この非対称が今後どこに向かうのか。最終セクションで、3つのシナリオを描きます。
2026〜2030年、二刀流×スポーツAIは3つの経路に分岐する——「完全個別最適化」か「データ寡占の固定化」か「選手主権型モデルの台頭」か
ここまで見てきた通り、大谷翔平の二刀流データは、MLBのトラッキング技術とAI分析の最前線を映し出す鏡です。では、この先の4年間で何が起きるのか。私は3つの分岐シナリオを想定しています。
経路1：完全個別最適化の深化
KinaTraxのバイオメカニクス計測が300fpsから600fpsへ引き上げられたように、センサー精度の進化は止まりません（KinaTrax LinkedIn公式投稿、2024年3月）。Google CloudのVertex AIによるカスタムモデル構築がすでにMLBの標準インフラとなっている以上、次の焦点は「チーム単位の最適化」から「選手一人ひとりの身体モデル」への移行です。
投手と打者のリスク曲線を同時制御する問題は、汎用モデルでは解けません。大谷の筋骨格系の回復速度、関節可動域の日次変動、睡眠の質。これらを統合した「大谷専用モデル」が精緻化されれば、登板日の朝に「今日投げるべきか、打席に専念すべきか」をリアルタイムで判定できる世界が見えてきます。個別化医療ならぬ、個別化パフォーマンス管理。ここが今後の鍵となります。
経路2：データ寡占の固定化
一方で、この個別最適化を実行できる球団は限られます。前セクションで述べた通り、ドジャースのようにPh.D.級人材を複数抱え、非公開データを統合するプロプライエタリモデルを運用できる組織は一握りです。1試合あたり7テラバイト、シーズン2,430試合から607億件のデータポイント（Google Cloud公式ブログ）。この膨大な情報を意思決定に変換する力は、資本力と人材で決まります。
2026年のABSチャレンジシステム導入は、テクノロジーの民主化を象徴する動きでした。スプリングトレーニングで1,844件のチャレンジのうち53%が成功し、判定の透明性は確実に向上しています（MLB.com公式、2026年4月）。しかし判定の公平化と、分析力の公平化は別の問題です。公開データへのアクセスは平等でも、その「読み解き方」の格差は拡大し続ける。強者がさらに強くなる固定化のリスク。
経路3：選手主権型モデルの台頭
実は、最も注視すべきはこの第3の経路かもしれません。現在、選手の生体データやコンディション情報は球団が管理しています。しかし、データポータビリティ——自分のデータを自分で管理し、移籍先やエージェントと共有する権利——が議論され始めれば、力学が変わります。
選手自身が自分の投球バイオメカニクスデータや回復曲線を「持ち出せる」時代が来たら、FA交渉やワークロード管理の主導権は選手側に移ります。大谷のような代替不可能な人材であればなおさらです。GM Brandon Gomesが二刀流の後継者出現を「close to zero」と評した背景には、身体的才能だけでなくデータ管理の複雑さもあります（ESPN、2026年9月）。その複雑さを選手自身がコントロールする未来。
3つの経路は排他的ではなく、同時並行で進むと分析できるでしょう。確実なのは、大谷翔平の二刀流が突きつけた問い——「1人の身体に対する2つの最適化をどう両立させるか」——が、スポーツAIの設計思想そのものを書き換えつつあるということです。
2026年シーズン、大谷は7月3日を最後にマウンドを離れました。しかしその半年間に蓄積されたデータは、今後何年にもわたって分析対象であり続けます。二刀流の物理的限界と、テクノロジーの進化速度。この2つの曲線がどこで交差するのか。答えはまだ、データの中にあります。