#75 AIの頭の中に「世界」をつくる

これまでのAIは、目的ごとに別々に鍛えられてきました。ChatGPTのような言語AIは「次の単語」を予測し、画像生成AIは「次のコマ」を予測し、ロボット制御AIは「次の動作」を予測する——という具合です。どれも優秀ですが、それぞれが特定の出力に縛られていて、「世界がどう変化していくか」という共通の理解を持っていません。

しかし人間は、目で見て、言葉で理解して、手を動かす——これらを一つの「世界のイメージ」から自然に行っています。研究チームは、真に賢いAIには「世界の状態がどう移り変わるか」を内部に持つことが不可欠だと考え、この共通基盤を学ぶモデル「Orca」を作りました。

Orcaの核心は「次の状態を予測する（Next-State-Prediction）」という発想です。単語やコマや動作といった表面的な出力ではなく、その裏にある「世界の状態」を中心に据えます。

学び方が独特で、人間の学習になぞらえた2つの方法を組み合わせます。ひとつは 無意識の学習（unconscious learning）​ 。ラベルなしの大量の動画を見て、「物がどう動くか」「場面がどう移り変わるか」といった自然な変化を、次のコマを予測しながら体に染み込ませます。もうひとつは 意識的な学習（conscious learning）​ 。「電子レンジの扉を閉める」といった言葉の指示を手がかりに、意味のある出来事レベルの変化を学びます。

こうして作った「世界の理解空間（world latent）」から、言葉・画像・動作を取り出す小さな出力装置を後付けします。面白いのは、本体（理解空間）は凍結したまま動かさず、出力装置だけを訓練する点。これにより「理解空間が本当に優れているか」を純粋に検証できるのです。

まず、データを増やし・モデルを大きくするほど学習が着実に進むこと（スケール性）が確認されました。そして本体を凍結したまま各出力を鍛えると、言葉・画像・動作の3つとも、事前学習が進むほど性能が向上しました。

具体的には、4Bサイズのテキスト生成で平均 51.8点 を記録し、同規模の専門モデルQwen3.5-4Bの 46.7点 を上回りました。画像予測でも平均 59.8点 で、大手の画像生成モデルFLUX.2などを上回っています。特に驚きなのはロボット動作で、事前学習にロボットの動作データを一切使っていないのに、動画だけの学習が実際のロボット操作に効果を発揮し、大規模ロボットデータで訓練された強力モデルπ0.5に匹敵する成績を出した点です。

この研究が示す方向性は、「用途ごとに専用AIを作る」時代から「一つの世界理解を基盤に何でもこなす」時代への転換を示唆します。ビジネス的に大きいのは、ロボット分野への影響です。

これまでロボットAIの弱点は、実機データの収集が高コストで、少ないデータでは応用が効かない（未知の状況で失敗する）ことでした。Orcaは、安価に集められる大量の動画から「世界の変化の仕方」を学ぶことで、わずか各タスク200回分のデータでも、見たことのない物体や環境に対応できました。しかも失敗しても途中まで進み、ミスから立て直す粘り強さも見せています。

これは、工場・物流・家庭用ロボットなどの実用化コストを下げる可能性を持ちます。「動画を見せるだけで賢くなるロボット」への道筋として、製造業や物流業のビジネスパーソンにとって注目すべき技術といえるでしょう。