ここ数年、私たちは企業が人工知能と呼ぶものについての集中講座を受けてきました。それは主に大規模言語モデル（LLM）を意味していました。しかし、LLMだけが巨額の資金と熱狂的な誇大広告を集めるAIカテゴリーではなくなりました。登場したのは「ワールドモデル」で、物理世界、あるいは少なくともその有用な近似をシミュレートすることを目指しています。単にチャットする代わりに、これらのシステムはあなたに3D環境をビデオゲームのように探索させようとしますが、より多くの数学とより少ないルートボックスが付いてきます。

ワールドモデルが何が違うのかを理解するために、Arsは3人の専門家に話を聞きました：MITのVincent Sitzmann、RunwayのAnastasis Germanidis、World LabsのBen Mildenhallです。彼らのコンセンサス：LLMがチャットインターフェースから始まり、その後ユースケースを探したのに対し、ワールドモデルは特定のアプリケーション（ロボット工学、研究、アセット生成）から始まり、インターフェースがどうあるべきかまだよくわかっていないということです。AIが逆方向に進んでいるようなものだと考えてください。それはまさにブランドに合っています。

誰もがLLMを汎用知能への道として受け入れているわけではありません。Metaの元チーフAI科学者Yann LeCunは、LLMが人間レベルの知能を達成するという考えは「完全なナンセンス」だとWiredに語りました。コンピュータビジョンの先駆者でありWorld Labsの共同創業者であるFei-Fei Liは、LLMは「暗闇の中の言葉の職人；雄弁だが経験不足、知識はあるが根拠がない」と書いています。Hugging FaceのCEOであるClem Delangueでさえ、私たちは来年にはじけるかもしれない「LLMバブル」の中にいると考えています。だからワールドモデルが新しいホットなものなのです。少なくとも、さらにホットなものが登場するまでは。

ワールドモデルはすでに目を見張るような資金を集めています：World LabsとAMIは2月と3月にそれぞれ約10億ドルを調達したと報じられ、Runwayは2月に3億1500万ドルを調達しました。それは、Sitzmannが認めるように「間違いなく過負荷」な用語に対して多額のお金です。彼の定義：相互作用を受け取り、次に何が起こるかをシミュレートするモデル。Runwayの定義は、環境の内部表現を構築することを追加します。Mildenhallは、LLMとの重要な違いは連続的でリアルタイムな相互作用であり、「A then B then A then B」というターンベースのテキスト交換ではないと言います。Fei-Fei Liは3つの基準を挙げています：知覚的、幾何学的、物理的一貫性；マルチモダリティ；入力アクションに基づいて次の状態を出力する能力。

しかし「ワールドモデル」はブランディング用語にもなりつつあります。企業はアクション条件付き動画生成から3Dアセット作成、ロボットポリシー評価まで、あらゆるものにこのラベルを貼っています。今のところ、Sitzmannによれば、「ほとんどの人が『ワールドモデル』と言うときに意味しているのはピクセルを生成すること」、つまりアクションに条件付けられたリアルな動画です。それは動画生成モデルの自然な拡張であり、Runwayはすでにそれを行っています。Germanidisが言ったように、彼らが動画ツールにカメラコントロールを追加したとき、「それはほとんどビデオゲームのように感じられるようになりました」。

技術的な課題：ほとんどの動画拡散モデルはすべてのフレームを一度に生成し、シーケンス全体を一度にノイズ除去します。これは一貫性には優れていますが、インタラクティブ性にはひどく悪いです。生成の途中で介入できません。ワールドモデルの解決策は自己回帰拡散であり、フレームを順次ノイズ除去します。ユーザーは次のフレームにリアルタイムで影響を与えるアクションを提供できます。欠点は、計算コストが高く、シミュレーションがドリフトしやすく、初期の詳細を忘れることです。Germanidisは、3Dの一貫性が「スケールから現れる」ことを期待しており、これはコンピュータ科学者Richard Suttonが「苦い教訓」と呼んだものへのうなずきです：明示的な人間の知識はしばしば邪魔になる。だから彼らは力ずくに大きく賭けています。

要するに、ワールドモデルはAIが現実をシミュレートするために向かう場所であり、一度に一つの高価なノイズ除去ステップを踏みます。約束を果たすのか、それとも単に非常に派手なディープフェイクを生み出すのかはまだわかりませんが、資金調達ラウンドは投資家がそれを確かめる用意があることを示唆しています。