Google・NVIDIAが「動画生成AI」でロボットの未来を予測、世界モデルで日本が勝つワケ

動画生成AIは映像だけじゃない？「未来予測」へ転換

　2026年8月13日付で、DreamX Teamがロボット操作向けの新たな世界モデル「DreamX-Phi 1.0」を公開した。1枚の画像と言葉による指示、さらにロボットアームの位置や姿勢、グリッパーの開閉といった動作情報を与えると、「その動作を実行した後に何が起きるのか」を動画として予測するAIだ。つまり、人が見るための動画を作るのではなく、ロボット自身に未来を“見せる”ための動画生成AIである。

　ここに、近年の動画生成AIを巡る競争の大きな変化が見えてくる。これまで動画生成AIといえば、テキストや画像からリアルな映像を作り出す能力が主に評価されてきた。しかし、ロボットの世界では映像がリアルに見えるだけでは足りない。たとえば右側のアームを動かす指示を与えたのに左側が動いたり、つかんだはずの物体が途中で消えたりすれば、どれほど美しい動画でもシミュレーターとしては使いものにならない。

　DreamX-Phiは、この問題を解消するため、ロボットの3次元的な動きをAI内部に直接反映させる仕組みに加え、奥行き情報や物体の位置関係まで学習させた。WorldArena 2.0の8月12日時点の固定スナップショットでは、映像予測などを測るTrack 1で1位、世界モデルを使って学習したロボットの方策を評価するTrack 2でも2位タイだったという。

　動画生成AIが「作品を作るAI」から、「現実世界で何が起きるかを試すAI」へ。その用途は、すでに大きく広がり始めている。

ロボットが失敗する前に「未来の動画」を見る凄さ

　では、なぜロボットに「未来の動画」を見せる必要があるのか。最大の理由は、現実世界で失敗を繰り返しながら学ばせる方法には限界があるからだ。


　生成AIのチャットで間違った答えを出しても、基本的にはもう一度質問すればいい。しかし工場のロボットが部品を落としたり、自動運転車が判断を誤ったりすれば、設備や製品を壊すだけでなく、人の安全にも関わる。そのため、実機を使って膨大な試行錯誤をさせるだけでは、学習データを増やしにくい。

　そこで重要になるのが「世界モデル」だ。ビジネス＋ITでも以前、ロボットにおけるVLA（Vision-Language-Action）モデルを「どう動くか」を決める脳、世界モデルを「その行動によって何が起きるか」を予測する脳として整理した。世界モデルの中で複数の行動を試し、うまくいきそうなものだけを現実世界で実行できれば、実機を動かす前に失敗の可能性を洗い出せる。

　DreamX-Phiも、こうした考え方を動画生成技術によって実現しようとしている。同モデルの学習には、人の一人称視点動画「Ego4D」約3,700時間、実ロボットを収録したAgiBot World 2026約1,900時間などに加え、シミュレーション環境のロボットデータも使われた。さらに失敗した動作も意図的に残したという。成功例だけでは学びにくい「何をすると失敗するのか」まで、AIに覚えさせる狙いだ。

　ロボットが現実で失敗する前に、AIの頭の中で何千、何万回も失敗できる。この仕組みこそ、世界モデルがロボット開発にもたらす大きな変化なのである。 【次ページ】Google・NVIDIAが本気、「世界モデル」の現在地