物理現実をシミュレートするAIの構築

DeepMind、World Labs、AMI Labsがワールドモデルに賭ける方法——文の次のトークンではなく物理的な結果を予測するAI。

概要

言語モデルは言葉を予測する。世界モデルは現実において次に何が起こるかを予測する。このアーキテクチャ上の違いが、AI研究における最も著名な研究者の多くが、世界モデルを次の必須能力レイヤーとして捉えるようになった理由だ。2026年、3つの組織がその構築をリードしている。Google DeepMindはビデオ拡散に基づくリアルタイムインタラクティブ世界モデルをリリースし、Fei-Fei LiのWorld Labsはナビゲーション可能な3D環境シミュレーターMarbleを商用化し、Yann LeCunのAMI Labsはヨーロッパ史上最大となる10億3千万ドルのシードラウンドを完了し、第一原理から物理的理解を学習するJEPAベースのAIを構築している。

世界モデルが実際に行うこと

言語モデルはシーケンス内の次のトークンを予測するように訓練される。テキストの一節が与えられると、次に来る言葉、フレーズ、または文字を推定し、これを通じて言語、概念、パターンについての推論を学習する。

世界モデルは構造的に異なることを行う。物理環境の現在の状態が与えられると、次に何が起こるかを予測する。物体が力を受けたときにどう振る舞うか、別の視点から空間がどのように見えるか、特定の行動の結果が何であるかを。訓練データはテキストではなく、動画、センサーの読み取り値、シミュレーションだ。

目標は、行動する前にシミュレーションできるAIだ。言葉で計画を説明してその正確さを期待するのではなく、世界モデルを持つAIは計画の結果を内部でシミュレートし、何が失敗するかを特定し、現実世界で何かが実行される前に修正できる。

3つの組織が、意味のある異なる方法でこの能力を構築している。

Google DeepMind: 動画をインタラクティブなシミュレーションへ

2025年8月、DeepMindは動画をプレイ可能なシミュレーションにリアルタイムで変換する世界モデルをリリースした。入力は任意の動画、つまり部屋、屋外環境、ゲームワールドの映像だ。出力はその動画のインタラクティブバージョンで、ユーザーはその中を移動し、行動を取ることができ、モデルはリアルタイムで物理的に妥当な次のフレームを生成する。

DeepMindのアプローチは手作りの物理ルールを完全に回避している。モデルは大規模な動画データセットでの訓練から物理的ダイナミクスを学習し、世界がどのように機能するかをその観察から推測する。シミュレーションは重力、遮蔽、物体の永続性、物理空間の基本構造を尊重するが、それらの特性をエンコードする明示的なルールは一切ない。

現在のアプリケーション:

ロボティクス訓練環境：新しい物理データを収集する代わりに、参照映像から無限の新規シナリオを生成する
ゲーム開発：参照素材からインタラクティブなプロトタイプ環境を生成する
AIエージェントのグラウンディング：現実世界での実行前にシミュレーションで計画をテストする

長期的な示唆: DeepMindの世界モデルは、行動して結果を観察するのではなく、行動する前に結果について推論できる自律型エージェントの基盤だ。

World Labs: ナビゲーション可能な3D世界Marble

スタンフォード大学ヒューマン中心AI研究所の共同ディレクターであり、元Google Cloud AI責任者のFei-Fei Liは、大規模な世界モデリングを商用化するためにWorld Labsを設立した。同社の2026年製品ローンチがMarbleで、説明やラフスケッチからリアルタイムのナビゲーション可能な3D環境を生成する生成モデルだ。

DeepMindが既存の動画をインタラクティブなシミュレーションに変換するのに対し、Marbleは説明または大まかなスケッチから全く新しい3Dワールドを生成する。これらの環境は一貫した空間的ジオメトリと物理特性を持ち、任意の角度から探索できる。Marbleが生成したシーンは、以前の生成システムでは安定して実現できなかった、移動中の構造的一貫性を維持する。

Marbleが使用されている場所：

アプリケーション	実現できること
ロボティクス訓練	物理データ収集なしで多様な訓練環境を無制限に生成
ゲーム・XRプロトタイピング	3Dアーティストなしでワールドレイアウトと環境のプロトタイプ作成
建築・デザイン	平面図や説明から歩行可能な建物シミュレーションを作成
科学研究	現実での実施が危険またはコストが高すぎる実験のための物理環境

World Labsが狙う商業的機会は3Dコンテンツのコストだ。現在、数百万ドルと数ヶ月の制作時間で計算されているこれを、Marbleスタイルの生成が数時間に圧縮する。

AMI Labs: JEPAへの10億3千万ドルの賭け

Advanced Machine Intelligence Labs（Yann LeCun、Metaチーフ AIサイエンティスト共同創設）は、欧州のテクノロジー投資家コンソーシアムから10億3千万ドルのシードラウンドを完了した。これはヨーロッパ史上最大のシードラウンドだ。

AMI Labsは大規模な言語モデルや優れたビデオ拡散システムを構築しているのではない。LeCunのJoint Embedding Predictive Architecture（JEPA）に基づくAIを構築しており、これは現在の世界モデルとは根本的に異なる原理で動作する。

生のピクセルやテキストトークンを予測する代わりに、JEPAはAIが抽象的な表現を予測するように訓練する。つまり、リテラルな外観ではなく、シーンの意味のある構造だ。LeCunの主張：人間の常識は世界の観察を記憶することで構築されるのではない。因果関係、物理的ダイナミクス、物体の振る舞いの概念レベルでの抽象的なモデルを学習することで構築される。JEPAはその学習プロセスを再現しようとする。

実際的な違い：JEPAベースのシステムは、すべてのピクセルを再構築しようとするのではなく、それらのピクセルを生成する概念的構造をモデル化しているため、ビデオ拡散モデルよりも新規の物理的状況により効果的に汎化すべきだ。

AMI Labsの論点をLeCunの言葉で表現すると：言語モデルのスケーリングは汎用AIを生み出せない。欠けている要素は、テキストや動画の統計的パターンからではなく、第一原理から物理を理解する世界モデルだ。

3つのアプローチの比較

	Google DeepMind	World Labs（Marble）	AMI Labs（JEPA）
コアアプローチ	ビデオ拡散 — 観察から物理を学習	生成的3D環境合成	抽象的表現予測
訓練データ	動画映像	マルチモーダル環境データ	未公開；概念的訓練
出力	参照動画からのインタラクティブシミュレーション	説明からの新規3Dワールド	推論のための抽象的世界モデル
ステージ	リリース済み（2025年8月）	商用化（2026年）	研究 / 初期構築
想定用途	ロボティクス訓練、エージェントグラウンディング	ロボティクス、ゲーム開発、建築、XR	長期的な汎用AI基盤

研究室の外でなぜ重要か

世界モデルは近い将来のコンシューマーアプリケーションではなく、次世代AIプロダクトのインフラだ。しかし、2026年と2027年に構築されるプロダクトは、今まさに確立されつつある世界モデリング能力にますます依存するようになる。

スケールでのロボティクス： 物理AIを構築するすべての企業（倉庫自動化、製造、配送）は、多様なシナリオでロボットを訓練する必要がある。世界モデルは物理データ収集のコストなしに無限の多様な訓練環境を生成する。DeepMindとWorld Labsは、ロボティクス業界全体が使用する訓練環境生成レイヤーを構築している。

物理的グラウンディングを持つAIエージェント： 最も有能な言語モデルベースのシステムを含む現在のAIエージェントは、テキストの説明だけから物理世界について推論するため、物理的制約について幻覚を見る。世界モデルを持つAIは、計画にコミットする前に計画が物理的に機能するかをシミュレートできる。

3Dコンテンツ制作： Marbleクラスのシステムは、3Dコンテンツ制作のタイムラインとコストを桁違いに圧縮する。ゲーム開発、映画制作、建築、没入型メディアに直接的な影響をもたらす。

よくある質問

AIにおける世界モデルとは何ですか？ 世界モデルとは、物理的現実の内部シミュレーションを構築するAIシステムで、物体がどのように振る舞うか、因果関係がどのように機能するか、特定の行動の後に次に何が起こるかをエンコードする。次のテキストトークンを予測する言語モデルとは異なり、世界モデルは物理環境の次の状態を予測する。ロボティクス、自律型車両、物理AIエージェントにとって基盤的なものと考えられている。

Yann LeCunはAMI Labsで何を構築していますか？ LeCunが共同設立し、ヨーロッパのスタートアップ史上最大となる10億3千万ドルのシードラウンドで資金調達したAMI Labsは、JEPA（Joint Embedding Predictive Architecture）に基づくAIを開発している。JEPAは生のピクセルやトークンではなく抽象的な表現を予測し、AIが観察からではなく経験を通じて人間が発展させるような種類の物理的常識を持てるようにすることを目指している。LeCunはJEPAが物理世界について真に推論できるAIに必要なアーキテクチャだと主張する。

World LabsのMarble製品とは何ですか？ MarbleはWorld Labs（Fei-Fei Li設立）の大規模世界モデルで、説明やスケッチからリアルタイムのナビゲーション可能な3Dシミュレーションを生成する。既存の動画をシミュレーションに変換するシステムとは異なり、Marbleは一貫した物理特性と空間的ジオメトリを持つ新規3D環境を作成する。アプリケーションにはロボティクス訓練環境、ゲームとAR/VRプロトタイピング、建築的ビジュアライゼーションが含まれる。

Google DeepMindの世界モデルはどのように機能しますか？ DeepMindの世界モデル（2025年8月リリース）は動画入力を受け取り、インタラクティブなシミュレーションに変換する。ユーザーはシミュレートされた環境内をナビゲートして行動でき、モデルはリアルタイムで物理的に妥当な次のフレームを生成する。物理ルールを手動でコーディングする代わりに、モデルは大規模な動画データセットでの訓練から物理的ダイナミクスを学習し、観察から世界がどのように振る舞うかを推測する。