Physical AI

そっくりでも、世界を保てるとは限らない——生成『世界モデル』の物理を、独立ベンチ3本が突いた

2026/7/7

🤖 AIが下書き・人間が編集

要点： 本物と見分けにくい動画を生む生成『世界モデル』が、Physical AI——ロボット学習や自律運転——のシミュレータとして売り込まれている。見た目が本物なら、その中で安く大量に訓練できる、という筋書きだ。これに対し、2026年前半に相次いだ独立のベンチマークは、その「世界」がシミュレータとして成り立つのかを別々のやり方で試し、いずれも弱点を報告した。(1) あるベンチは、カメラが見ていない間は世界が進まない——視線を戻すと古い状態のまま再開する、と指摘する¹。(2) 別のベンチは、同じ物理イベントでも視点や見た目を変えると予測が揺れる——因果でなく見た目のパターンを手掛かりにしている兆候だ、と切り分ける²。(3) さらに、この種の破れは普通の画質指標では捉えにくいので物理専用の評価がいる、という指摘もある³。ただし三つとも査読前のプレプリントで、各ベンチの作者自身が「穴」を示すために設計した指標である点は割り引いて読む必要がある。それでも、独立した三チームが別々の角度から同じ方向の弱点に行き着いたことは、単発の主張より重い。少なくとも現時点では、きれいな動画であることは、使えるシミュレータであることを保証しない——そう読むのが妥当に見える。

「世界モデル」は何を約束したのか

生成動画モデルの進歩で、数秒の映像なら本物と見分けるのが難しくなった。ここから自然な期待が生まれる——その映像が物理的に正しいなら、現実の代わりに使える。ロボットを実機で動かす前に、モデルが作る「世界」の中で行動を試し、安く大量に学ばせる。これが世界モデル（world model）をシミュレータとして使う構想だ。

だが「シミュレータ」を名乗るには、見た目の良さだけでは足りない。見ていない間も世界は進み、視点が変わっても同じ物理を返し、物理法則を破らない——この三つを満たして初めて、現実の代わりになる。2026年前半、複数の独立チームが、まさにこの三つを別々のやり方で突いた。以下は各チームがそれぞれのベンチで得たと報告する結果であり、まだ査読前・独立再現前のプレプリントだ。その上で読むと、報告はどれも現状のモデルに厳しい。

見ていない間、世界が進まない

もっとも構造的な指摘は、Lu らの WRBench から来た¹。彼らは23のモデルが生む9,600本の動画を、四つの操作方式にわたって調べたという。問うたのは単純な問いだ——カメラが対象から離れ、また戻ってきたとき、その間に起きるはずの変化は進んでいるか。

彼らの答えは「進んでいない」だった。テストされたモデルは、見ていない場所の出来事を凍結した、と著者らは報告する。焼けているはずのもの、動いているはずのものが、視線を外した瞬間に止まり、戻ると中断した状態のまま再開する。研究者はこれを、世界を捉える「持続的な状態の核（persistent state core）」の欠如と呼ぶ。彼らの言い方を借りれば、モデルが持っているのは世界ではなく、追尾ショットだ¹。

著者らが強調するのは、この欠陥が画質を上げても、制御を精密にしても、幾何の事前知識を足しても、パラメータを増やしても消えなかった点だ¹。もしこれが独立に再現されれば、もっと大きく・きれいにすれば直る種類の問題ではない、ということになる。少なくともこの診断が届く範囲では、世界を「保つ」仕組みが働いていない。

視点を変えると、予測が揺れる

別の角度から同じ穴を突いたのが、Begiristain らの CRONOS だ²。彼らは、同じ物理イベント（衝突・落下・遮蔽）を保ったまま、視点・背景・物体の見た目・物体のカテゴリだけを差し替え、予測がどう変わるかを測った。フォトリアルな Unreal Engine で作った高精細な映像で、条件を一つずつ動かす介入実験である。

物理が同じなら、予測も安定していなければならない。ところが彼らの報告では、見た目・環境、とりわけ視点を変えると、予測の質が揺れた²。同じ落下でも、カメラの位置が変わると崩れやすい。著者らはこれを、モデルが落下の因果構造を学んだのではなく、見た目のパターンを手掛かりにしている兆候と解釈する。表面の相関を、物理の理解と取り違えている——というのが彼らの読みだ。

その破れは、普通の指標では捉えにくい

ではなぜ、こうした破れが見過ごされうるのか。Lin らの PhyGround は、評価の側の問題を突く³。彼らは、動画生成の定番指標——画質や滑らかさ、分布の近さを測る類——が、物理法則の破れを捉えるようには設計されていないと指摘する。見た目が良ければ高得点が出るので、物理の誤りは数字に現れにくい、という主張だ。

PhyGround は、力学・流体・光学にまたがる13の物理法則の分類に沿って、物理そのものを採点する物差しを提案する。しかも汎用の大規模モデルを審判にするのではなく、物理に特化した審判を用意した——その相対バイアスは、最新の汎用モデル（Gemini-3.1-Pro）を審判にした場合の16.6%に対し、3.3%まで下がったと報告する³。彼らの主張は、物理を測るには物理を分かった物差しがいる、というものだ。見た目の物差しでは破れが映りにくい、と。

この報告をどう割り引くか

三つは方向がそろっているが、鵜呑みにする前に押さえるべき留保がある。いずれも2026年前半の査読前プレプリントで、しかも各ベンチはその「穴」を示すために作者自身が設計した指標だ。穴を探すよう作られた物差しが穴を見つけるのは、驚くにあたらない。だから「世界モデルは物理を学べない」と一般化するのは、まだ早い。

では何が確度を上げるのか。第一に、これらのベンチに含まれないモデルでも同じ弱点が出るかの、作者と利害を共有しない第三者による独立再現。第二に、ベンチ上のスコアが実運用の失敗（例：この「世界」で訓練したロボットが実機で転ぶ）と結びつくかの検証だ。逆に言えば、三つの独立チームが視点・時間・評価という別々の入口から同じ方向の弱点に行き着いた収束そのものは、単発の主張より重く扱ってよい。確定事実としてではなく、筋の良い仮説として。

実務で何を見るか

以上を踏まえると、世界モデルを Physical AI の土台に据えようとする側の勘所は、これらの診断が示唆する形で絞れる。断定ではなく、自分の環境で試すべきチェックリストとして読んでほしい。

• 「本物そっくり」を「シミュレータとして正しい」と読み替えない。 見た目の忠実さは、物理の正しさを保証しない。デモの美しさは、訓練環境としての信頼性とは別の話だ³。
• 見ていない間の一貫性を、自分で試す。 対象から視線を外し、戻したときに状態が進んでいるかを確かめる。WRBench の報告が正しければ、追尾ショットは長い相互作用で崩れるはずだ¹。
• 視点・見た目を振って、同じ物理が返るか見る。 一つの角度で綺麗でも、角度を変えると崩れるなら、それは物理でなく見た目を学んでいる疑いがある²。
• 評価は物理接地で。 画質指標だけで合否を決めず、物理法則に沿った採点・審判を併用する³。

これはシミュレーションを信じてよい範囲を問う、In Silico のいつもの問いの、生成AI版だ。sim2realのギャップは測れる——そして世界モデルにも、同じ測りが要る。三つの報告はまだ査読前のプレプリントだが、別々のチームが「持続しない状態」「視点で揺れる予測」「見えにくい破れ」に独立に行き着いた点で、単発の主張よりは筋がいい。少なくとも今回のベンチが届く範囲では、世界モデルはまだ「世界」を持てていない——そっくりな絵を、正しい世界と早合点しないことが、Physical AI の土台づくりの第一歩になる。

この記事はAIが下書きし、人間が編集・公開しています。