大規模言語モデル（LLM）が広く使われる一方で、「世界モデル」という言葉が次のステップとして注目されています。世界モデルは、物理世界の状態を予測し、行動の結果をシミュレートする仕組みとされます。テキスト中心のLLMとは異なるアプローチで、ロボットやエージェントへの応用が議論されています。本ガイドでは概念、LLMとの違い、代表的な研究、重要性を整理します。
世界モデルとは — 物理世界を「予測する」内部モデル
世界モデルとは、AIが環境の内部表現（internal representation）を構築し、現在の状態と取った行動から「次に何が起きるか」を予測する仕組みとされます。強化学習の分野で古くから研究されてきた概念で、人間が無意識に「この行動をしたらこうなる」と心の中でシミュレーションする能力に似た機能を目指します。
単にパターンを記憶するのではなく、物理的な因果関係や時間的変化を捉え、未知の状況でもある程度の予測ができることが理想とされます。予測を内部で行うことで、実際の試行錯誤を減らして学習や計画を効率化できる点が利点と指摘されています。
LLMとの違い
LLMは主に大量のテキストから「次の単語（トークン）」を予測するモデルです。言語的な知識や推論パターンを幅広く獲得しますが、物理的な空間や物体の動きを直接モデル化しているわけではありません。
世界モデルは、画像・動画などの視覚情報やセンサーデータから、物体の位置・動き・相互作用などの物理的ダイナミクスを予測することに重点を置きます。行動の結果を「仮想的に試す」ためのシミュレーターのような役割を担うとされます。
両者は排他的ではなく、LLMが言語による計画を担い、世界モデルが物理予測を担うハイブリッド構成の可能性も研究されています。
LLMと世界モデルの対比
| 項目 | LLM（大規模言語モデル） | 世界モデル（World Model） |
|---|---|---|
| 対象空間・データ | テキスト・言語空間のパターン | 視覚情報・センサーデータ・物理空間のダイナミクス |
| 予測タスク | 次の単語（トークン）の予測 | 現在の状態・行動に基づく未来の状態変化シミュレーション |
| 主な強み・目的 | 言語的推論・文章生成・高度な知識応答 | 物理的計画・サンプル効率向上・ロボット制御の試行削減 |
代表的な研究動向 — SoraとJEPA
OpenAIの動画生成モデルSoraは、技術報告で「video generation models as world simulators（世界シミュレーターとしての動画生成モデル）」と表現されました。入力から未来のシーンを生成する過程で、物理的な一貫性や物体の永続性などが一部観察されましたが、ガラスが割れるような基本的な物理相互作用の正確な再現には限界があり、完全な世界モデルというよりは「その方向性を示すもの」とされることがあります。
一方、MetaのYann LeCun氏らが推進するJEPA（Joint Embedding Predictive Architecture）は、ピクセル単位の詳細な生成ではなく、抽象的な表現空間で未来を予測するアプローチです。V-JEPA 2などのバージョンでは、インターネット動画で大規模に事前学習した後、少量のロボットデータで新しい環境でのピックアンドプレースなどのタスクをゼロショットで実行できた事例が報告されています。生成ではなく予測に特化することで効率を高める狙いがあります。
なぜ世界モデルが重要とされるのか
世界モデルの強みは、実際の物理環境で大量の試行が難しい場面で、内部予測によりサンプル効率を高められる点です。ロボットが新しい物体や環境に直面したとき、事前の予測に基づいて安全かつ効率的に行動を計画できます。
また、長期的な計画や「もしこうしたらどうなるか」という仮想実験を内部で行える可能性があります。LLM単独では言語的な一貫性は高いものの、物理的制約や因果を十分に反映しにくいケースがあるため、世界モデル的な要素で補完する動きが研究されています。
完全な実用化にはまだ課題が多く、予測精度の向上や計算コスト、現実との整合性確保などが求められます。フィジカルAIの文脈でロボット制御に結びつく技術についてはフィジカルAIとは？生成AIとの違いとロボット・自動化への応用も参考にしてください。
関連ガイド
ガイド一覧はこちら。用語の整理は半導体・AI用語集が便利です。ソブリンAIの観点はソブリンAI（主権AI）とは、フィジカルAIとのつながりはフィジカルAIとはをあわせてご覧ください。最新動向はAIカテゴリで追えます。