「世界モデルを使います」と書かれた提案を読む方へ
ロボットやフィジカルAIの提案書、あるいは技術記事で世界モデルという語に出会い、何を意味しているのか掴みかねている方に向けて書いています。
先に結論を書きます。この語はいま、少なくとも6種類の別物を指しています。だから「世界モデルとは何か」を一言で答えようとすると必ずずれます。まず原型を押さえ、そのうえで6種類の見分け方を示します。
原型は「頭の中で夢を見て練習する」仕組みでした
世界モデルという呼び方を広めたのは、2018年のDavid HaとJürgen Schmidhuberの論文です（World Models, arXiv:1803.10122）。
やったことはこうです。エージェントを大きな世界モデルと小さなコントローラに分け、まず世界モデルに環境の圧縮された時空間表現を教師なしで学習させる。そのうえでコントローラを訓練します。論文が示した核心は、エージェントを実環境ではなく、世界モデルが生成した夢の中だけで訓練し、そこで得た方策を実環境へ移せたことでした。
ここに世界モデルの本質があります。環境そのものではなく、環境の「次に何が起きるか」を予測する内部モデルを持つこと。予測できるなら、実際に動かす前に頭の中で試せます。
ロボットにとってこれが効く理由は、ロボット基盤モデルの伸びを決めているのはで扱ったデータの制約にあります。実機を動かして集めるデータは、言語モデルが使うWebテキストと比べて桁違いに高く、遅い。頭の中で試せる分だけ、実機を動かす回数を減らせます。
いま6種類が同じ名前で呼ばれています
問題はここからです。2026年6月に出た評価手法の論文は、現在この語が指している対象を次のように列挙しています（How Should World Models Be Evaluated for Embodied Decision-Making?, arXiv:2606.15032）。
| 呼ばれているもの | 実体 |
|---|---|
| 行動条件付き環境モデル | 行動を入力すると次の状態を返す。原型に最も近い |
| 潜在空間の想像モデル | 圧縮した内部表現の上で先を想像する |
| 未来動画の予測器 | 次に映るであろう映像を生成する |
| 対話型ニューラルシミュレータ | 操作に反応する仮想環境として振る舞う |
| 潜在予測表現 | 予測を通じて学んだ表現そのものを使う |
| 合成データ生成器 | 学習用のデータを作るために使う |
「世界モデルを搭載」という説明を読んだとき、この6つのどれなのかで話がまったく変わります。合成データ生成器としての世界モデルは学習データを増やしますが、ロボットが現場で先を読むわけではありません。逆に行動条件付き環境モデルは現場の判断に効きますが、きれいな映像は出しません。
同じ論文は、この状況が主張と根拠のずれを生んでいると指摘しています。モデルの使い道について、評価が裏づけられる範囲より強い主張がなされることがある、と。
見た目のよさは、使えるかどうかを保証しません
ここが実務でいちばん重要な点です。
世界モデルの評価は、視覚的なリアルさ、知覚的な類似度、指示への追従、物理的なもっともらしさ、方策の順位付け、実行可能性、計画の成功、下流の方策改善へと広がってきました。そのうえで先の論文は、身体を持つ意思決定のための世界モデルにとって決定的なのは、視覚的に説得力のある動画を生成できるかではないと論じています。
決定的なのは、介入したときの推論が信頼できるか、方策を評価できるか、計画できるか、そして方策が変わってデータの分布がずれたときや長い時間の先読みでも成り立つか、です。
論文はこれを L0からL7の段として整理しています。L0側が視覚的なもっともらしさ、L7側が方策最適化における実用性です。段が違えば、示せることが違う。デモ動画が滑らかであることは、L0側の証拠にしかなりません。
デモの見栄えと業務での有用性が別物であるという構図は、生成AI全般で繰り返し起きています。AI開発の生産性200倍は何を測った数字かで扱った数字の読み分けと、同じ種類の注意が要ります。
産業側は「3通りに使えるもの」として売り始めました
技術の側でも、この多義性は前提として扱われています。NVIDIAが2026年5月31日に公開したCosmos 3は、開発者向けに3つの使い方を並べて示しています（NVIDIA 2026年5月31日 ニュースリリース）。
- 複数のモダリティにまたがって理解・推論する視覚言語モデルとして
- 物理環境をシミュレートし未来の状態を予測する世界モデル／動画基盤モデルとして
- ロボットに特定タスクを学習させる世界行動モデルの土台として
1つのモデルが3つの役を兼ねる。便利ですが、「Cosmosを使っています」という説明だけでは、そのプロジェクトが何をしているのか分からないということでもあります。
こうした基盤が共有される流れ自体は、ロボットの開発基盤は共有される方向ですで扱いました。基盤が共通化するほど、何に使っているかが差になります。
提案書で確かめる3点
技術の中身に踏み込まなくても、世界モデルを使うという提案の実体は次の3つで絞れます。
「世界モデルを使う」提案を読み解く3つの質問
- 6種類のどれですか: 合成データを作るのか、実行時に先を読むのか、仮想環境として使うのか。答えられないなら、まだ設計が決まっていません
- その効果は何で測りましたか: 生成された映像の質か、方策の成功率か。前者だけならL0側の証拠で、現場で効く根拠にはなりません
- 学習した環境と現場は、どこが違いますか: 世界モデルは学習した範囲の外で崩れます。自社の現場の何が学習データに入っていないかを答えられるかが、実機で動くかの分かれ目です
3問とも技術者でなくても聞けます。3問目に具体的な差分が返ってくる提案は、現場を見ています
一言でまとめられないことが、この語の現状です
世界モデルとは何かと聞かれたら、「環境の先を予測する内部モデル」が原型の答えです。ただし2026年時点で実際にこの語が使われている場面では、6種類のどれを指すかを確かめないと会話が成立しません。
技術そのものは進んでいます。頭の中で試してから動くという発想は、実機データが高くつくロボティクスにとって本質的な解です。ただ、いま出回っている説明の多くは、まだ評価の段の下のほうにいます。
関連する技術としては、画像と言語から動作を出すVLA（Vision-Language-Action）とは、日本の産業政策側の動きは政府はAIロボットを2040年に1000万台と決めましたで扱っています。
自社の現場にフィジカルAIをどう当てるか整理したい段階でしたら、お問い合わせからご相談ください。