AI円卓会議：機械は世界を理解することを学べるか？

言語から世界へ：AIの次なる転換点

大規模言語モデル（LLM）は過去2年間でテック業界を席巻したが、本当に世界を理解しているのだろうか？答えは否である。LLMは膨大なテキストに基づいて次の単語を予測することには長けているが、物理世界の因果関係に対する深層的な認識を欠いている。現在、AI企業は新たなスプリントを開始している——外部世界を理解できる「世界モデル」の構築である。MIT Technology Reviewの最新の円卓討論は、まさにこの最前線のテーマに焦点を当てている。

編集長のMat Honanは、世界モデルの概念は新しいものではないが、近年の一連のブレークスルーが再びそれを舞台中央に押し上げたと指摘する。MetaのYann LeCunの「結合埋め込み予測アーキテクチャ」（JEPA）から、DeepMindの「Dreamer」シリーズアルゴリズム、さらにOpenAI内部で噂される「Q*」プロジェクトに至るまで、業界のコンセンサスは徐々に明確になってきている：次のAIのボトルネックは言語ではなく、現実世界のシミュレーションと推論にある。

「世界モデルは単純な動画生成器ではない。行動の結果を予測し、物体の物理的属性を理解し、さらには他者の意図を推測できなければならない。」——シニアAIエディター Will Douglas Heaven

AIジャーナリストは、研究室からの事例も補足する。研究者たちは世界モデルを用いてロボットを訓練し、わずかな実データだけで複雑な把持タスクを完了させている。これはLLMが「テキストデータを使い果たした」現状とは対照的だ——世界モデルは無限の自己教師あり相互作用から学習でき、その潜在能力は計り知れない。

なぜLLMでは不十分なのか？

LLMの「次の単語予測」という訓練モードは、本質的に人間の言語分布をフィッティングしているに過ぎない。「コップを机から押し出したら何が起こるか」と問われた場合、LLMは正しい答えを返せるが、それはコーパス内で確率の高い関連性に基づくものであり、真の因果関係ではない。常識的な誤りや物理的なパラドックスに遭遇すると、LLMはたちまち弱点を露呈する。より根本的な問題は、言語が世界の抽象的な記号であり、抽象化そのものが大量の詳細を失わせることだ——例えば、物体の質感、光の屈折、力の伝達などである。

世界モデルはインタラクティブな内部表現を構築しようとする。自動運転を例に取ると、世界モデルを搭載した自動車はシミュレーション環境内で様々な突発的状況を予行演習でき、安全にルートを計画できる。この能力は純粋なテキストモデルには提供できない。討論の中で言及されたように、世界モデルは汎用人工知能（AGI）への鍵となるピースの一つである。

編集者注：世界モデルの三重の課題

円卓討論は現実的な困難から目を背けてはいない。第一に、計算コストが膨大であること：物理世界の高精度モデリングには莫大な計算能力が必要であり、現時点では最先端の動画生成モデル（Soraなど）でさえ信頼に足る水準には遠く及ばない。第二に、評価基準の欠如：モデルが本当に世界を「理解」したかをどう判断するのか？精度、一貫性、汎化能力？業界には統一されたベンチマークがまだない。第三に、データとプライバシー：現実世界の相互作用データはしばしば機密情報を含み、その取得コストはテキストよりはるかに高い。

しかし楽観派は、世界モデルの進歩は予想より速いかもしれないと考える。LLMのスケーリング則（Scaling Law）の経験から見れば、十分な計算リソースとデータを投入する限り、性能は向上し続ける。世界モデルがこの曲線を再現できれば、今後10年以内に基礎的な物理推論を行えるAIシステムを目にすることになるかもしれない。

「我々は『言語層』から『物理層』への飛躍の瞬間にいる。これはLLMを置き換えるのではなく、補完するものだ。」——編集長 Mat Honan

記事の最後で、編集者たちは一致してこう結論づけた：世界モデルの研究は学術界だけにとどまるべきではない。テック大手はオープンな協力を進め、倫理的境界を設定し、潜在的な悪用——例えば偽の物理的証拠や高精度なディープフェイクの生成に用いられること——に警戒する必要がある。

本記事はMIT Technology Reviewより翻訳・編集した。