世界をシミュレートする機能 (ワールド モデル) は、AI が物理世界を「認識」して再現するための次の大きなステップであると一部の専門家は考えています。
いくつかの企業や研究所が AI の世界モデリング機能を推進しています。その中で、AI の先駆者の 1 人であるフェイフェイ・リー教授の World Labs は、「大きな世界モデル」を構築するために 2 億 3,000 万ドルを調達しました。 Google DeepMind はまた、「ワールド シミュレータ」の開発のために、Sora チームの責任者である Tim Brooks 氏と、別の専門家である William Peebles 氏を雇用しました。
「私たちが心の中に抱く周囲の世界のイメージは、単なるモデルに過ぎません。誰も頭の中で世界全体、政府、あるいは国家を想像することはできません。人は単に概念とそれらの関係性を選び、それを使って現実のシステムを表現しているだけなのです。」これは、アメリカのコンピュータエンジニア、経営理論家、そしてシステム科学者であるジェイ・ライト・フォレスターが1971年に著した著書『社会システムの直感に反する行動』の中で述べられているメンタルモデルの定義です。
「AIの世界」のイラスト。写真: ノヴィタ
ワールド モデルはメンタル モデルの後継と考えられており、どちらも人間の脳にインスピレーションを受けています。脳は感覚から抽象的な表現を受け取り、それによって周囲の世界についての具体的な理解を形成します。脳がモデルに基づいて行う予測は、人が世界をどのように認識するかに影響を与えます。
研究者のデイビッド・ハ氏とユルゲン・シュミットフーバー氏は、野球選手のプレーを例に挙げています。これらの人々は、クラブをどのように振るかを決めるのにわずか 1 ミリ秒しかなく、このパラメータは視覚から脳への信号が届くのにかかる時間よりも短いのです。そのためには、ボールが到着する前に、ボールがどのように投げられるか、その方向を予測する必要があります。
「これは、世界モデルを適用すればAIが人間のレベルに到達する側面です」とハ氏とシュミットフーバー氏はGithubに投稿した共同論文に書いている。
専門家によると、ソラのようなテキストから動画を作成するAIは、「不気味の谷」と呼ばれる状態に陥るという。とはいえ、AI が生成したビデオは、特に動きの速いビデオでは欠陥が多いことで有名です。その理由の 1 つは、アルゴリズムが人間の脳のように次の「パターン」を予測できないためです。
TechCrunchによると、ビデオ生成AIツールは現在、バスケットボールがバウンドすることを正確に予測できるが、なぜバウンドするかは実際には分からないという。同様に、言語モデルは単語やフレーズの背後にある概念を実際には理解していません。
しかし、ワールド モデルは、ボールがなぜ跳ねるのかを「理解」することで、AI が真にインテリジェントになるのに役立ちます。その洞察を得るには、世界がどのように機能するかについての本質的な推論と、行動の結果を推論する能力を生成することを目標に、画像、音声、ビデオ、テキストなどのさまざまなデータ タイプで世界モデルをトレーニングする必要があります。
「視聴者は、自分が見たものが現実と同じように動作することを期待している」とスナップの元AI責任者で世界的なモデリング会社ヒッグスフィールドのCEOであるアレックス・マシュラボフ氏はTechCrunchに語った。 「十分に強力なワールド モデル エンジンは、作成者が線を引いてオブジェクトを動かすまで待たずに、オブジェクトがどのように動くかを理解します。」
しかし、より良いビデオを作成することは、World Model のアプリケーションの一部にすぎません。 Meta の AI ディレクターである Yann LeCun 氏のような一流の AI 研究者は、将来 AI がデジタル領域と物理領域の両方で高度な予測と計画に利用できるようになるだろうと予測しています。
今年初め、LeCun 氏は、World Model が推論を通じて AI システムが目的の目標を達成する上でどのように役立つかを説明しました。モデルには、汚い部屋のビデオなどの最初のストーリーが与えられ、部屋をきれいにするという目標と、掃除機を出して掃除したり、食器を洗ったり、ゴミを捨てたりするなど、その目標を達成するための一連のアクションが与えられます。このプロセス中、AI はカメラやセンサーを通じて認識するだけでなく、汚れた状態からきれいな状態に移行する方法をより深いレベルで「認識」します。
「世界を理解し、物事を記憶し、直感と常識を持ち、人間と同じレベルで推論し、計画を立てられる機械が必要です」とルカン氏は語った。 「現在のAIシステムは、これらのことを全く実行できません。今後10年は利用できないかもしれません。」
OpenAI によれば、Sora は、画家がキャンバスに筆の跡を残すなどの動作をシミュレートする際の原始的な世界モデルとみなすことができるという。しかし同社は、この機能の完成には長い時間がかかることも認めた。
大きな可能性を秘めているにもかかわらず、世界モデルの構築にはコストがかかり、現在と比べて膨大な計算能力が必要になります。小さなツールであっても、トレーニングには数千の最も強力な GPU を消費する可能性があると推定されています。
さらに、世界モデルの入力データの量も、既存の大規模言語モデルの何倍も大きくなります。 「モデルのトレーニングデータは、多様なシナリオをカバーできるほど広範である必要がありますが、AIがそのシナリオのニュアンスを深く理解できるほど非常に具体的である必要があります」とヒッグスフィールドのマシュラボフ氏はコメントしています。 「データ不足が進歩を遅らせている。」
Runway AI の CEO である Cristóbal Valenzuela 氏も、世界モデルの構築における最大の障壁はデータだと考えています。 「モデルには、環境の一貫したマップを作成し、その環境内で移動したり対話したりする機能を作成するために、大量のデータとエンジニアリングが必要です」とバレンズエラ氏はブログ投稿に書いています。
しかし、マシュラボフ氏は、これらの障壁がすべて克服されれば、特にロボットと組み合わせた場合、ワールドモデルは AI と現実世界を結び付ける上で「より強力」になるだろうと考えています。
「今日のロボットは周囲の状況を認識できないため、作業能力に限界がある。ワールドモデルはロボットにその能力を与えることができる」と彼は語った。 「高度なモデルがあれば、AIは置かれたあらゆるシナリオを個人的に理解し、可能な解決策を推論し始めることができます。」
