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(2/2)

Google・NVIDIAが本気、「世界モデル」の現在地

　この競争を進めているのは研究チームだけではない。世界モデルをフィジカルAIの重要技術と位置付け、開発基盤まで広げている代表格が米エヌビディアだ。


　同社の「Cosmos-Predict2.5」、テキストから世界を生成するText2World、画像から生成するImage2World、動画から未来を生成するVideo2Worldを1つのモデルに統合した。学習用には2億本の高品質な動画クリップを選別し、2Bと14Bという2サイズを用意。ロボティクスや自動運転向けに追加学習して使うことも想定しているという。

　さらにCosmosには、動画とロボットの動作を入力して、その後の世界を映像として生成するアクション条件付きモデルも用意されている。エヌビディアにとって世界モデルは、単独の動画生成製品ではない。GPU、シミュレーション、ロボット学習をつなぐ「Physical AI」の開発基盤を構成する技術になっている。

　一方、米グーグル傘下のGoogle DeepMindも「Genie 3」を展開する。テキストから720pの仮想世界を生成し、20～24fpsでリアルタイムに操作できる世界モデルだ。一度見えなくなった場所を再訪しても以前の状態を保つなど、一定時間にわたる世界の一貫性も重視している。Google DeepMindは、こうした世界モデルについて、AIエージェントが「世界がどう変化するか」「自分の行動が何を引き起こすか」を学ぶための技術だと説明する。

　動画生成AI、ロボットAI、シミュレーション。一見すると別々だった技術が、「未来の世界を生成する」という1点で急速につながっている。

日本のものづくり企業の勝ち筋になる「あのデータ」

　世界モデルの進化によって、動画生成AIの競争軸も変わりそうだ。これまで分かりやすかったのは、映像の美しさや自然さ、指示した内容をどこまで忠実に再現できるかという性能だった。しかし、ロボット向けではそれだけでは足りない。生成した世界が物理法則に沿っているか、そこで学んだ動作が現実のロボットでも通用するか──より厳しい評価が求められる。

　この変化を象徴するのがWorldArena 2.0だ。同ベンチマークでは動画の見た目だけでなく、世界モデルを強化学習の環境として利用し、そこで学習した方策が実世界でも機能するかまで評価する。研究では、仮想空間と現実の間には依然として「Sim-to-Real」の隔たりが残ることも示している。

　だからこそ、今後の競争で価値を持つのはモデルの大きさや画質だけではない。工場で機械がどう動いたか、ロボットがどの条件で作業に成功・失敗したかといった、現実世界のデータそのものが重要になる。インターネット上の文章や画像とは異なり、こうしたデータは各企業の現場に眠っており、簡単には集められないからだ。

　日本企業にとっても無関係ではない。富士通はファナック、安川電機、川崎重工業とフィジカルAIの社会実装を検討し、エヌビディアの世界基盤モデルなどをロボットの学習や動作検証に活用する方向を示している。製造現場を長年持つ企業には、設備や作業、異常対応などの蓄積がある。これまで暗黙知として扱われてきた情報が、世界モデルを育てる資産に変わる可能性も出てきた。

　動画生成AIの勝者は、最も美しい映像を作る企業とは限らない。現実のデータをどれだけ持ち、それを仮想世界へ落とし込み、再び現場へ戻せるか。競争の焦点は「生成能力」から、現実世界との接続力へ移り始めている。