ワールドモデルはあらゆる場所に浸透しつつある：AIは文字から物理世界へ

過去3年間、生成AIの主戦場はスクリーンの中に留まり続けてきた——文章を書き、画像を生成し、動画を編集する。しかし機械が本当に現実世界に踏み込むためには、言葉が話せるだけでは到底足りない。機械には次のことを理解する必要がある。コップが机から落ちれば割れること、濡れた路面では制動距離が伸びること、人が廊下の角から現れるとき、どの位置に出てくるかということ。この「世界がどのように動くか」についての内部的な認知こそ、ワールドモデル（World Models）がAIに与えようとしている能力である。

ワールドモデルとは何か：AIに「推論できる内なる劇場」を装備する

ワールドモデルとは、現実世界の物理法則と空間構造をシミュレートできる人工知能システムの一種である。大規模言語モデルが離散的なトークンを処理するのとは異なり、ワールドモデルが扱うのは三次元空間、物体、運動、光照、衝突、そして因果関係である。現在の状態とある行動を入力として受け取り、「次に何が起きるか」を予測する——次の瞬間の映像を生成することも、物体がどのように動くかを予測することも含む。

この概念は決して新しくない。2018年頃にはすでに、研究者たちが再帰型ニューラルネットワークを用いて、潜在空間で環境を予測できるエージェントを訓練し始めていた。しかし真の転換点をもたらしたのは二つの出来事だった。一つは、動画生成モデル（Soraのような拡散アーキテクチャ）が、視覚的に高度に一貫し、かつ部分的な物理的直感に従う連続映像をニューラルネットワークが生成できることを実証したこと。もう一つは、ロボット学習コミュニティが、現実世界で何度も転倒させるより、先にワールドモデルの中で「夢を見させながら」訓練する方が効率的だと気づいたことである。

なぜ今爆発的に発展しているのか：三つの条件が同時に成熟

第一はデータである。インターネット上には膨大な一人称視点の動画、ドライブレコーダー映像、ロボット操作データセットが蓄積されており、物理的な直感を学習するための原材料が揃っている。第二は計算能力とアーキテクチャである。TransformerとDiffusionモデルの組み合わせにより、長い時系列・高解像度での時空間モデリングが実現可能となった。第三は下流における需要の切実さだ——ヒューマノイドロボットと自動運転の各社がいずれも、「現実世界での試行錯誤コストが高すぎる」という問題に頭を悩ませている。

産業界の動きはすでに活発化している。李飛飞（Fei-Fei Li）が設立したWorld Labsは「空間知能」路線を提唱し、1枚の画像からインタラクティブな三次元シーンを生成しようとしている。DeepMindのGenieシリーズは動画からプレイ可能な世界を学習することを探求している。NVIDIAは自動運転とロボット向けにCosmosワールド基盤モデルを発表し、シミュレーション環境を新たな「データセンター」として位置付けている。自動運転企業のWayveは生成型ワールドモデルを用いて極端なシナリオを合成し、知覚システムのロバスト性をテストしている。各チームの技術的選択は異なるが、方向性は高度に一致している。訓練の場を現実から、無限にサンプリング可能な仮想空間へと移すことだ。

三大応用シナリオ：ロボット・自動運転・コンテンツ制作

ロボット分野において、ワールドモデルの価値は「予行演習」にある。ロボットはアームを伸ばした際の複数の結果を想像し、最も成功確率の高い動作を選択できる。実際にコップを倒してみる必要はない。操作精度が要求される家事や産業現場において、これは特に重要である。

自動運転分野では、ワールドモデルが解決するのは「ロングテール問題」だ。現実の道路上で起こりうる稀なシナリオをすべて網羅することは困難だが、生成モデルは雨夜、逆光、突発的な事故といった極端な状況を合成できる。これにより知覚・計画モジュールを仮想環境で繰り返し訓練できる。NVIDIA、Wayve、そして複数の中国自動車メーカーと自動運転企業がこの方向に賭けている。

コンテンツ・エンターテインメント分野では、ワールドモデルは「動画1本を生成する」から「継続的にインタラクションできる世界を生成する」への転換を意味する。ゲーム、映像プリビズ、デジタルツイン、産業シミュレーションのすべてが、これによって再構築される可能性がある。

「真の知能とは世界を描写するだけでなく、頭の中で世界の次の一手を予測できることだ」——この判断が、エンボディードAI研究のコンセンサスになりつつある。

現実の壁：物理的一貫性は映像のリアリティよりはるかに難しい

現在のワールドモデルが抱える最大の問題は、「見た目が似ている」ことが「正確に計算できている」ことを意味しないという点だ。動画生成モデルでは、物体が突然消えたり、メッシュが貫通したり、重力に反する現象がしばしば発生する。このようなモデルをロボット訓練に用いると、エラーが現実世界で増幅される。次に、データと評価の欠如という問題がある。現実世界の物理パラメータを大規模に取得することは難しく、業界全体で統一された物理的一貫性の評価基準もまだ確立されていない。さらに、長い時系列推論における誤差の蓄積、計算コスト、リアルタイム性の要求は、いずれも工学的に難しい課題だ。

もう一つ過小評価されている問題が、安全性と検証である。自動運転や医療ロボットが内部のワールドモデルに基づいて意思決定を行う場合、そのモデルに体系的な偏りがないことをどう証明するかが、規制当局の新たな課題となる。現在、多くのチームは現実世界での小規模な検証ループを維持し、ワールドモデルをデータの代替品ではなくデータ増幅器として扱うというアプローチを取っている。

編集後記：次のインフラ争奪戦

大規模言語モデルを「言語層」のインフラとするなら、ワールドモデルはおそらく「物理層」のインフラとなるだろう——現実世界の最も正確な圧縮表現を握る者が、ロボット・自動運転・シミュレーション・ゲームの上流を制することになる。これが、トップ研究機関、チップメーカー、自動車メーカーが同時にこのレースに参入している理由を説明している。

さらに注目すべきはパラダイムシフトだ。AIの評価基準は「生成物がどれだけ本物らしいか」から「予測がどれだけ正確か」へ、言語ベンチマークから物理・因果ベンチマークへと移行していくだろう。これは技術的な路線の転換にとどまらず、業界全体の言説体系の再構築でもある。ワールドモデルは単なる新しいモデルの一種に終わらない。それは将来のAIシステムが知覚し行動するためのデフォルトの中間層となるだろう——今日のモデルがデータベースを呼び出すのと同じように自然に。その時が来れば、ワールドモデルはあらゆる場所に存在し、人々はもはやその名前を特別に口にすることさえなくなるだろう。

本記事はWIREDより編訳