ワールドモデルとは —— 行動の結果を予測するAIの仕組みと、Google・Meta・NVIDIAの研究・限界

AIが作った世界を歩く

公式の資料から引用

• 矢印キーで動かせる
• AIがその場で作った映像

この映像はゲームではありません。GoogleのAIが、矢印キーの操作に合わせて、世界の続きをその場で作り出しています。[s1]この技術が、いま注目されている「ワールドモデル」です。ロボットやAIエージェントの将来にも関わる、重要な研究分野です。

ワールドモデルとは何か

押す前に、結果を想像する

要点

押す前に、結果を想像する

いま

コップが立っている

押すと

倒れて水がこぼれる

つかむと

こぼさず持てる

テーブルの端にあるコップを横から押したらどうなるか、と聞かれれば、多くの人は「倒れて水がこぼれる」と答えるでしょう。まだ押していないのに、結果を想像できるのです。そっとつかめばこぼさずに持てることも、頭の中で分かります。いくつもの行動の結果を予測できれば、失敗しにくい行動を選べます。

キーワード ワールドモデル

世界の変わり方を予測するAI

ワールドモデルは、この「行動する前に結果を予測する」ことをAIに持たせたものです。Google DeepMindは、環境がどう変わるかと、自分の行動がそれにどう影響するかを予測できるAIと説明しています。[s1]

ワールドモデルに必要な3つの力

Metaは、ワールドモデルに必要な力として3つを挙げています。見えている物やその動きを見分ける「理解」、世界がどう変わるか、自分が動いたらどうなるかを考える「予測」、そして目標に向かって行動の順番を決める「計画」です。[s3]

ChatGPTとの違い

LLM

• 文章で答える
• 言葉の知識と推論

VS

ワールドモデル

• 変化を予測する
• 映像や行動から学ぶ

ChatGPTのようなLLMも、言葉の上で物の動きを推論することはできます。ただ、映像やロボットの動きから次の状態を細かく予測するのは、別の仕事です。

組み合わせて使う

両者は組み合わせて使うこともできます。たとえば、言葉で示された目的をLLMが理解し、ワールドモデルで行動の結果を試してから、選んだ動きを実行する、という使い方です。ワールドモデルが登場しても、LLMが不要になるわけではありません。

AIの頭の中の仕組み

ワールドモデルを使うAIのくり返し

ワールドモデルを使うAIは、大きく4つのことをくり返します。まず、物の位置や動き、周りの様子を見て、いまの世界を知ります。次に、押す・つかむ・進むといった行動をとったらどうなるかを予測します。そして、予測した未来を比べて、安全で目標に近いものを選び、実際に動きます。動いたら結果をまた見て、くり返します。

2つの作り方

映像を作る

• Genie 3・Cosmos 3
• コマを作って未来を見せる

VS

要点を予測する

• V-JEPA 2
• 要点の変化で計画する

作り方は大きく2つに分けると分かりやすくなります。[s1][s3][s5]1つは、映像のコマを作って未来を見せる方法で、Genie 3やCosmos 3がこちらにあたります。もう1つは、映像の要点だけを数値にした「潜在空間」の中で変化を予測し、計画に使う方法で、V-JEPA 2がこちらです。動画を1コマずつすべて作るのは計算が重いため、要点の中で予測する方法が考えられています。[s3]

Google —— Genie 3

Genie 3の仕様（Googleの発表）

冒頭の世界を作ったのが、GoogleのGenie 3です。文章で説明した世界をその場で作り、その中を動き回れます。Googleの発表では、1秒に24コマ、画質は720pで、世界の一貫性が数分ほど続きます。[s1]

一貫性とは

公式の資料から引用

• 0:00 左にあった木
• 0:40 戻っても同じ位置

ここでいう一貫性とは、見ていた物がいったん視界の外に出て戻ってきても、同じ場所にあることです。図では、0:00の時点で左にあった木が、0:40でも同じ位置にあります。Genie 3は、直前の約1分の様子を見ながら次のコマを作っています。[s1]なお、Googleの説明によれば、Genie 3は3Dの形を持っておらず、操作に合わせて1コマずつ作っています。[s1]

Project Genieで試せること

2026年1月には「Project Genie」として、文章や画像から世界を作って歩く・飛ぶ・運転するなどで探索できるようになりました。[s2]ただし、発表時点では米国のGoogle AI Ultraの購読者向けの試作品で、1回の生成は60秒までです。操作が遅れることもあります。[s2]

Meta —— V-JEPA 2

公式の資料から引用

• 動画100万時間と画像100万枚
• ロボットのデータは62時間

MetaのV-JEPA 2は、動画から世界の動きを学び、ロボットの計画に使うモデルです。まず、ラベルのない動画100万時間以上と画像100万枚で、世の中の動きを学びます。そのうえで、ロボットの映像と操作のデータを62時間分だけ追加で学びます。ロボットが働く場所のデータは不要だと、Metaは説明しています。[s3]

V-JEPA 2の計画のくり返し

ロボットを動かすときは、ゴールを画像で渡します。V-JEPA 2は、いまの様子とゴールを見比べ、動きの候補を何通りも頭の中で予測して、ゴールにいちばん近づくものを選びます。そして1手だけ動いたら、また様子を見て計画し直します。[s3]

V-JEPA 2の成績

Metaの研究室での実験では、初めて見る物や場所で、物をつかんで置く作業の成功率は65〜80%でした。[s3]裏を返せば2〜3割は失敗しており、Metaも、もっと長い作業の計画はこれからの課題だとしています。[s3]

NVIDIA —— Cosmos 3

公式の資料から引用

• 映像を見て理解
• いくつもの未来を考える
• 選んだ動きを実行

NVIDIAは2026年5月31日に、Cosmos 3を発表しました。NVIDIAはこれを「考えてから動く」AIと説明しており、映像を見て理解し、いくつもの未来を考えて良いものを選び、選んだ動きを実行する流れを示しています。[s5]

Cosmos 3がまとめて扱うもの

Cosmos 3は、文章・画像・動画・音に加えて、ロボットの関節の角度やつかむ位置といった「行動」を表す数値まで、まとめて扱えます。NVIDIAはこれを、世界初の完全にオープンな「オムニモデル」と呼んでいます。[s5]

NVIDIAによると、ロボットや自動運転などの会社がすでに使い始めています。また、訓練と評価にかかる期間を「月から日へ」縮められると説明していますが、発表には裏づけの数字が載っていません。第三者の検証ではなく、会社の主張として受け止めておく必要があります。[s5]

3社の方向性の違い

3社は、重点の置き方が異なります。Googleは操作できる世界を作ること、Metaは理解と行動の計画、NVIDIAはロボットなどに向けた土台となるモデルに力を入れています。[s1][s3][s5]同じ条件で比べたものではないため、どれが優れているとは言えません。

Dreamer 4 —— 想像の中で練習する

もう1つの研究例がDreamer 4です。Minecraftで、本物のゲームの環境に一度も触れずに、ダイヤモンドを取ったAIです。人のプレイ動画（約2,500時間）と操作の記録だけからゲームの世界のモデルを作り、そのモデルの中でAIが何度も練習しました。論文はこれを「想像の中での訓練」と呼んでいます。[s8]ロボットでは、実機での失敗が故障や危険につながるため、この考え方は重要です。

公式の資料から引用

• 鉄のつるはし 29%
• ダイヤモンド 0.7%

1000回の挑戦のうち、鉄のつるはしまで届いたのは約29%、ダイヤモンドまで届いたのは0.7%でした。[s8]数字は小さく見えますが、2万回以上の操作を画面の映像だけから選ぶ難しい課題で、ここまで届いたのは初めてです。[s8]

ほかの手法との比較

同じデータで学んだ別の手法（VLA）は、鉄のつるはしまで届いたのが11%でした。[s8]ただし、これはゲームでの実験であり、ロボットでの結果ではありません。[s8]

生活はどう変わるか

ワールドモデルの使い道（研究・開発中）

考えられる使い道は、主に4つあります。いずれも研究・開発中の段階です。1つ目は自動運転で、WaymoはGenie 3を土台にしたモデルを発表し、竜巻やゾウが道路に現れるような、実際には集めにくい場面を作れると説明しています。ただし、Waymoの発表には第三者の評価の数字は載っていません。[s9]

2つ目は家庭のロボットです。家の中は予想外のことばかりで、家事をすべて任せられるようになるには、まだ研究が必要です。それでも、実機で失敗するリスクやコストを減らせる可能性があります。3つ目は工場や倉庫で、実際に動かす前に操作を試せるかもしれません。NVIDIAは、ロボットの会社が行動のデータ作りにCosmos 3を使っていると発表しています。[s5]

4つ目はAIエージェントです。Google DeepMindは、3Dの世界で動くAI「SIMA」に、Genie 3が作った世界の中で目標を与える実験を行いました。[s1]

いまの限界

こうした研究があっても、ワールドモデルが世界の物理を理解したとは、まだ言えません。きれいな映像を作ることと、物理的に正しい未来を予測することは別の問題だからです。

Genie 3の限界（Googleの説明）

Google自身も、Genie 3の限界を挙げています。AIが直接とれる行動の範囲はまだ限られていること、実在の場所を完全な地理の正確さでは再現できないこと、そして続けられるのは数分で、数時間ではないことです。[s1]

物理のルール違反を見抜くテスト

Metaが公開した、物理のルールを破る場面を見抜くテストでは、人はほぼ満点だったのに対し、当時の動画のAIは偶然に近い成績でした。[s3]

物理シミュレーターとの違い

昔からある物理シミュレーターとの違いも整理しておきます。物理シミュレーターは、人が式を書いて動かすため、書いた範囲では正確です。ワールドモデルは映像や行動から学ぶため、幅広い場面を作れますが、物理の正しさは保証されません。どちらが上というより、役割が違います。現在は、LLMや画像も読めるAIとワールドモデルを組み合わせる方法が注目されています。

ニュースの見方

ワールドモデルのニュースを見るときは、3つの点に気をつけるとよいでしょう。1つ目は条件で、映像の長さや画質、何回の実験の結果かを確かめます。2つ目は、どこでの話かで、ゲームなのか、シミュレーションなのか、本物のロボットなのかを見ます。3つ目は、誰の評価かで、会社の発表なのか、第三者の検証なのかを区別します。

実際に試してみたい人は、モデルが公開されているV-JEPA 2とCosmos 3から始めることができます。[s3][s5]

まとめ

ワールドモデルは、行動したら世界がどう変わるかを予測するAIです。Googleは操作できる世界の生成、Metaは理解と計画、NVIDIAはロボット向けの土台と、3社は重点の置き方が異なります。[s1][s3][s5]

一方で、映像がリアルに見えることと、物理的に正しく予測できることは別です。会社の発表と第三者の検証を区別しながら、研究の進み具合を冷静に見ていく必要があります。