01定義
現実世界での試行錯誤（ロボットや自動運転車にとっては遅く、リスクも伴う）だけに頼るのではなく、エージェントはまず世界モデルの中で行動の結果を「想像」してから、実機に触れる前に計画を立てたり行動を調整したりできる。
02仕組み
03どうやって学習させるか
世界モデルの多くは、大量の映像やセンサーデータを使い、「直近の過去から、次に何が起きるかを予測する」という自己教師あり学習で訓練される。1つの系統は、次の映像フレームを1ピクセルずつ、自己回帰的に生成する方式で、Genie 3やGAIA-1はいずれもこの方式だ。より新しい系統として、Meta社のV-JEPA 2に代表されるアプローチがある。こちらはピクセルの生成を一切行わず、圧縮された抽象的な「埋め込み（エンベディング）」空間で次の状態を予測する。計算コストが低いだけでなく、開発元は「行動計画に必要な物理的な帰結の表現としては、こちらの方が本質に近い」と主張している。
04代表的な事例
Cosmos
「フィジカルAI」という言葉を広めたのと同じCES 2025の基調講演で発表された世界基盤モデルのプラットフォーム。ロボットや自律走行車の学習向けに、物理法則に基づいたシミュレーション映像を生成する。Figure AI・Skild AI・Agility Roboticsなど、企業・製品DBにも掲載されている企業が既に採用している。
Genie 3
1つのテキストプロンプトから、リアルタイムで探索可能なインタラクティブ環境を生成する汎用の基盤世界モデル。毎秒24フレームで動作し、数分間一貫性を保てる——前身のGenie 2から大きく進化した。
V-JEPA 2
100万時間を超える映像で学習された世界モデル。映像のピクセル自体は一切生成せず、ロボットのゼロショットでの計画・操作に使われる。
05なぜ重要か
これが重要なのは、現実世界での試行錯誤がスケールしないからだ。ロボットは、壊れやすい物を何千回も落として学習するわけにはいかない。世界モデルがあれば、その試行錯誤を圧縮された安全な形で内部的に実行し、そこで得た知見を適用できる。
06関連用語
07よくある質問（FAQ）
Q.世界モデルと、（ゲームなどの）手作りの物理エンジンは何が違う？
A.物理エンジンは、重力・衝突・摩擦係数といった明示的な、人間が手で書いたルールをコード化したものだ。一方世界モデルはデータから学習される——手でコード化するのが非現実的な、雑然とした現実世界のダイナミクスを捉えられる代わりに、厳密なシミュレーションではなく近似にとどまる。
Q.世界モデルは自動運転だけで使われる？
A.いいえ。汎用のGenie 3やV-JEPA 2の例が示す通り、ロボティクスやヒューマノイドの計画など幅広く使われる。GAIA-1は自動運転に特化した一例であって、唯一の用途ではない。
Q.世界モデルは映像を生成しないと役に立たない？
A.いいえ。映像を生成すること（Genie 3やGAIA-1のように）は、学習環境を作ったり、人間がモデルの予測を目視で確認したりするのには有用だが、V-JEPA 2が示す通り、ピクセルを一切介さず抽象的な埋め込み空間で将来の状態を予測するだけでも、計画・制御には十分であり、計算コストも低く済む。