トップ / 解説 / ワールドモデルとは。デジタルツインとの違いと、いまの限界

SIMULATION

シミュレーション

ワールドモデルとは。デジタルツインとの違いと、いまの限界

フィジカルAIの現場 編集部

金属のグリッパーと仮想モデルを並べたコンセプトイメージ
AI生成によるコンセプトイメージ

先に結論

ワールドモデルとは

NVIDIAは用語集で、ワールドモデルを「物理や空間の性質を含む、現実世界の動きを理解するAI」と説明しています。文字や画像、映像、動きを入力すると、次に何が起きるかを予測します。

NTTの説明はもう少し具体的です。「外界の状態や変化をモデル化し、自身の行動によって生じる未来の状態変化を予測する仕組み」。つまり、ロボットが「こう動いたら、周りはこうなる」を事前に知るための頭の中の模型です。

使い道について、NVIDIAは、ロボットがワールドモデルの中で、実機を壊す危険や費用なしに練習し、失敗し、上達できると説明しています。

従来のシミュレーターと何が違うのか

これまでのシミュレーターは、技術者が物理のルールを一つずつ書き込んで作りました。NVIDIAは、今のワールドモデルは「そのルールをデータから学ぶ」点が違うと説明しています。

従来のシミュレーター人がルールを書く。想定した条件では正確
ワールドモデル映像などのデータからルールを学ぶ。想定外の場面にも広げやすいが、間違うこともある

デジタルツインとの違い

名前は似ていませんが、どちらも「仮想の現場」として語られるので混同されがちです。違いは、元になるものです。

デジタルツイン実在の現場を測って再現する。現実のデータとつながっていることが前提
ワールドモデル学習した知識から、次の状態を予測・生成する。測っていない部分も作り出す

この違いをはっきり書いているのが、3Dの世界を生成するモデルを開発するWorld Labsです。同社は2026年9月の発表で、入力した写真に写っていない部分は、モデルが「もっともらしく想像して埋める」と説明し、「多く見るほど、想像は少なくなる」と書いています。同社によると、2〜3枚の写真からでも実在の空間を再構成でき、100枚を超える写真も使えます。

裏を返せば、寸法や配置の正しさが要る用途では、想像で埋まった部分をそのまま信じることはできません。現場を測る作業は残ります。

「ワールドモデル」には3つの意味がある

World Labsは2026年6月の記事で、ワールドモデルと呼ばれるものを3種類に分けています。同じ言葉でも、出てくるものが違います。

見た目を出すもの人が見るための映像を出す。見た目の自然さが重要
状態を出すもの形や物理として正しい「世界の状態」を出す。機械の計算にも使える
行動を出すもの目標に対して、次に取るべき行動を出す

製品や発表を比べるときは、どの種類の話なのかを先に確かめます。

実際の例と、公表されている数値

NTT:動く前に失敗を予測する
2026年11月11日、NTTは映像から将来を予測する仕組みに、物理法則に基づく計算を組み合わせる技術を発表しました。同社によると、従来のワールドモデルは物の重さや速さを内部ではっきり扱わないため、生成した映像の中で物が消えたり変形したり、ぶつかり方を正しく予測できない場合がありました。小型ロボットの棚積み実験では、成功率が73.1%から92.3%に上がったとしています。最初の適用先は空港の手荷物の積み込みと積み降ろしで、Mujinと連携して進める計画です。処理にかかる時間の数値は、発表文には書かれていません。

Google DeepMind「Genie 3」:動き回れる世界を生成する
2025年8月の発表では、720pの解像度、毎秒24コマでリアルタイムに動き回れ、一貫性を数分間保てるとしています。

NVIDIA「Cosmos」:ロボット向けの学習データを作る
NVIDIAはロボットと自動運転向けのワールドモデル群を公開しています。フィジカルAIの学習データを仮想空間で増やす用途に使われます。

当事者が認めている限界

導入を考える側が先に決めること

編集部の整理です。

出典

あわせて読む

← 解説の一覧へ