【ワールドモデル】「世界の動きを予測するAI」とは何か。動画生成やVLAとの違いと、ロボットへの使われ方
ロボットのニュースに増えてきた「ワールドモデル」という言葉を、予測の仕組み、動画生成やVLAとの違い、よくある誤解とあわせて整理します。
目次
動画生成AIのRunwayは11/11、ロボット向けのモデルPraxis-1を公開しました。公式発表は、Praxis-1を「映像と行動をいっしょに予測する270億パラメータのモデル」と説明し、動かすのに必要なものを商用利用も含めてApache 2.0のライセンスで出すとしています。その6日前の11/5には、NVIDIAがHugging Faceのブログで、ワールドモデルの「Cosmos 3」に新しいオープンウェイト(重みを公開したモデル)を4つ加えたと発表しました。
ただ、ワールドモデルは見た目が動画生成とよく似ていて、ロボットを動かすVLA(視覚・言語・行動)モデルとの区別もつきにくい言葉です。この記事では、ワールドモデルが何を受け取って何を予測するのか、なぜロボットに使われるのかを整理します。
