見出し画像

World Foundation Modelとは何か

香川友志

NVIDIA Cosmosが示す物理AIの未来

ヒューマノイド開発ロードマップ・ソフトウェア編 第4回

前回の第3回では、世界モデルについて整理しました。

世界モデルとは、ロボットの頭の中にある「現実世界の理解と予測」です。

画像認識とは違います。物理シミュレーションとも違います。デジタルツインとも違います。VLAとも違います。

これが第3回の内容でした。

今回の第4回では、さらに一歩進めます。

テーマは、World Foundation Model です。

日本語にすると、世界基盤モデル、あるいは世界基礎モデルと呼べます。

これは、フィジカルAI時代に非常に重要な概念です。

これまでの生成AIでは、LLM、つまり大規模言語モデルが中心でした。

人間の言葉を学習し、文章を書き、翻訳し、要約し、推論し、コードを書く。

しかし、フィジカルAIの時代には、言葉だけでは足りません。

ロボットは現実世界で動きます。

現実世界には、空間があります。物体があります。人があります。重力があります。摩擦があります。接触があります。時間変化があります。事故があります。失敗があります。

この世界そのものを学習する基盤モデルが必要になります。

それが、World Foundation Modelです。

最初に結論を言います。

World Foundation Modelとは、フィジカルAIが現実世界を理解し、予測し、シミュレーションし、行動を学ぶための大規模な世界モデルです。

個別の現場だけで使う小さな世界モデルではなく、さまざまな環境、物体、動き、視点、行動結果を学習し、多様なフィジカルAIタスクに応用できる基盤モデルです。

そして、この領域は2025年から2026年にかけて急速に動いています。

NVIDIA Cosmos。 Google DeepMind Genie 3。 World Labs Marble。

これらは、それぞれ異なる思想と用途を持ちながら、World Foundation Modelの代表例として注目されています。

1. Foundation Modelとは何か

World Foundation Modelを理解するには、まずFoundation Modelという言葉を整理する必要があります。

Foundation Modelとは、大量のデータで事前学習され、多くの下流タスクに応用できる基盤モデルのことです。

たとえば、LLMが分かりやすい例です。

大規模言語モデルは、大量の文章を学習します。

その結果、翻訳、要約、文章作成、質問応答、コード生成、企画、分類など、多くの用途に応用できます。

一つの基盤モデルが、多くのタスクの土台になる。

これがFoundation Modelの考え方です。

では、World Foundation Modelとは何か。

これは、言葉や画像だけでなく、世界の変化そのものを学ぶ基盤モデルです。

映像、空間、物体、人の動き、ロボットの視点、物理的な変化、行動の結果、危険な場面、失敗パターン。

こうした現実世界の変化を学び、フィジカルAIの訓練やシミュレーションに使うモデルです。

2. なぜフィジカルAIにはWorld Foundation Modelが必要なのか

生成AIの世界では、言葉のデータが大量にあります。

Webページ、本、論文、ニュース、コード、会話。

これらを学習することで、LLMは発展しました。

しかし、フィジカルAIでは、必要なデータの種類が違います。

ロボットが必要とするのは、文章だけではありません。

物体がどう動くか。人がどう動くか。ロボットの行動で環境がどう変わるか。視点が変わると何が見えるか。掴むとどうなるか。押すとどうなるか。落とすとどうなるか。衝突するとどうなるか。失敗すると何が起きるか。

このような現実世界の変化データが必要です。

しかし、現実世界でロボットに何億回も試行錯誤させるのは難しいです。

ロボットが壊れます。人に危険があります。時間がかかります。コストがかかります。設備を止める必要があります。危険な状況を現実で再現できません。

そこで必要になるのが、仮想世界での訓練です。

この流れを大規模化するために、World Foundation Modelが必要になります。

つまり、World Foundation Modelは、フィジカルAIの学習データ不足を補う基盤でもあります。

3. 小さな世界モデルとWorld Foundation Modelの違い

前回の第3回で扱った世界モデルは、ロボットが現実世界を理解し、未来を予測するためのモデルでした。

では、World Foundation Modelは何が違うのでしょうか。

簡単に言えば、規模と汎用性が違います。

小さな世界モデルは、特定の現場や特定のタスクに特化します。

一方、World Foundation Modelは、より広い世界の変化を学習します。

LLMで例えると分かりやすいです。

個別企業のFAQボットは、小さな言語モデル的な用途です。

一方、GPTやGeminiのような大規模言語モデルは、多くの用途に使える基盤です。

それと同じように、

現場特化の世界モデルは、個別現場の予測モデル。 World Foundation Modelは、多くの物理世界タスクに使える基盤モデル。

このように整理できます。

4. NVIDIA Cosmosとは何か

World Foundation Modelの代表例として、NVIDIA Cosmosがあります。

Cosmosは、NVIDIAがフィジカルAI向けに展開している世界基盤モデルのプラットフォームです。

ここで重要なのは、Cosmosを単なる動画生成AIとして見ないことです。

もちろん、動画生成能力はあります。

しかし、フィジカルAIにとって重要なのは、映像を作ることそのものではありません。

ロボットや自動運転、視覚AIエージェントが学習するための、物理世界のデータやシナリオを生成することです。

Cosmosは3つのモデル群から構成される

Cosmosは、単一のモデルではなく、3つのモデル群から構成されています。

まず、Cosmos Predict は、映像から未来の世界状態を予測するモデルです。テキストや画像から、将来の世界の様子を映像として生成できます。2025年後半に公開されたCosmos Predict 2.5は、Text2World、Image2World、Video2Worldを統合したモデルで、NVIDIA Researchによれば約2億本の高品質な動画クリップで学習されています。

次に、Cosmos Transfer は、シミュレーションと現実の見た目のギャップを埋めるためのモデルです。Sim2RealやReal2Realの世界変換に使われ、RGB、深度、セグメンテーションなど複数モダリティの構造化入力を扱うmulti-controlnet型として説明されています。Cosmos Transfer 2.5は、前世代より大幅にコンパクトになりながら、より高品質な長時間映像生成を実現しています。

そして、Cosmos Reason は、映像理解と物理推論のためのVLM(Vision-Language Model)です。Chain-of-Thought推論を使って、映像の意味を理解し、相互作用の結果を予測したり、合成データの品質を評価したりできます。たとえば、人が横断歩道に踏み出す、棚から箱が落ちる、といった因果関係を自然言語で説明できます。

これら3つを組み合わせることで、フィジカルAI向けの合成データ生成パイプラインとして機能します。NVIDIAはこの統合パイプラインを「Physical AI Data Factory Blueprint」として公開しています。

すでに、Figure AI、1X、Agility Robotics、Skild AIといった主要なヒューマノイド企業が、Cosmosをロボット訓練データの生成に使い始めています。

5. Cosmosは何に使えるのか

CosmosのようなWorld Foundation Modelは、フィジカルAI開発でさまざまな用途に使えます。

1. 合成データ生成

ロボットの学習には大量のデータが必要です。

しかし、現実世界でデータを集めるのは高コストです。

そこで、仮想的な映像やシーンを生成し、学習データとして使います。

2. エッジケース生成

フィジカルAIでは、通常の場面だけでなく、まれに起きる危険な場面が重要です。

人が急に飛び出す。床が滑る。カメラが汚れる。棚の商品が崩れる。センサーが一時的に欠損する。

このようなエッジケースは、現実で大量に集めるのが難しい。

World Foundation Modelは、こうしたシーンを生成し、ロボットの安全性検証に使える可能性があります。

3. シミュレーション環境の補完

物理シミュレータは、重力、摩擦、接触、関節などの物理計算に強い。

一方、World Foundation Modelは、多様な見た目、環境変化、映像世界の生成に強い。

この2つを組み合わせることで、より現実に近い訓練環境を作れます。

4. ロボット視点の世界生成

ヒューマノイドにとって重要なのは、人間視点の映像だけではありません。

ロボットの頭部カメラ、手先カメラ、腰部カメラ、複数カメラ。

ロボットが実際に見る視点で世界を生成することが重要です。

5. Sim-to-Realの補助

シミュレーションと現実の見た目にはズレがあります。

照明、影、質感、反射、汚れ、カメラノイズ。

World Foundation Modelは、シミュレーション映像をより現実らしく変換したり、現実映像から似たシミュレーション環境を作る補助にも使える可能性があります。

6. World Foundation Modelは物理シミュレータの代わりではない

ここで重要な注意点があります。

World Foundation Modelは、物理シミュレータの完全な代わりではありません。

これは誤解しやすい部分です。

動画生成AIが非常にリアルな映像を作れるようになると、まるで物理世界を完全に理解しているように見えます。

しかし、見た目がリアルであることと、物理が正確であることは違います。

ロボット開発では、正確な物理が必要です。

関節トルク、接触力、摩擦、衝突、重心、足裏接地、物体の質量、モーター遅延。

これらを扱うには、物理シミュレータが必要です。

たとえば、Isaac Sim、MuJoCo、Gazeboなどです。

World Foundation Modelは、多様な世界の生成や予測に強い。 物理シミュレータは、正確な物理計算に強い。

この2つは対立するものではありません。一部を補完する関係にあります。

7. Google DeepMindのGenie 3が示すインタラクティブ世界モデル

NVIDIA Cosmosとは別に、Google DeepMindのGenie 3も非常に重要な流れです。

Genie 3は、2025年8月にGoogle DeepMindが発表した汎用世界モデルで、2026年1月にはProject Genieとして、米国のGoogle AI Ultraユーザー向けに実験的プロトタイプが提供されました。誰でも使える一般公開ではなく、特定のサブスクリプションユーザー向けの実験段階という位置づけです。

ここで重要なのは、Genie 3が単なる動画ではなく、リアルタイムでインタラクションできる世界を生成することです。

テキストプロンプトから、720pで24fpsの世界が生成されます。 ユーザーは、その世界を実際に歩き回ることができます。 壁を回り込み、別の場所へ移動し、また戻ってくる。 そのとき、Genie 3は前に見た景色を覚えています。

数分間にわたって、世界の整合性が保たれます。

これがフィジカルAIにとって大きな意味を持ちます。

AIエージェントやロボットは、ただ映像を眺めるだけでは学習できません。

自分が行動し、その結果として世界が変わる必要があります。

実際、Waymoは、Google DeepMindのGenie 3を基盤に、自動運転向けに適応したWaymo World Modelを発表しました。竜巻や象との遭遇のような、現実では収集しにくいエッジケースを生成し、ロボタクシーの訓練やシミュレーションに活用しています。

これは、World Foundation Modelが研究段階から実用段階へ移行している証拠でもあります。

ただし、現時点でGenie 3がそのままヒューマノイドの精密な物理訓練に使えるという意味ではありません。

数分の連続性は技術的に大きな進歩ですが、工場の数時間にわたる作業を完全に予測する段階にはまだ遠い。

あくまで、世界モデルが「見るだけ」から「行動できる世界」へ向かっているという方向性が重要です。

8. World Labs Marbleが示す空間知能の方向性

もう一つ重要なのが、World Labsの流れです。

World Labsは、AIの第一人者であるFei-Fei Li(フェイフェイ・リー)氏が設立したスタートアップで、空間知能(Spatial Intelligence)を掲げています。

空間知能とは、AIが2D画像や文章だけでなく、3D空間を理解し、生成し、推論し、相互作用する能力です。

World Labsは、2025年11月に最初の商用製品 Marble を公開しました。

Marbleは、テキスト、画像、動画、3Dレイアウトから、編集可能で永続的な3D環境を生成します。

そして2026年2月、World LabsはNVIDIA、AMD、Autodesk、Fidelityなどから10億ドルの資金調達を発表しました。評価額は同社公式には開示されていませんが、Reutersなどの報道では過去報道として約50億ドル規模とされていたことが伝えられています。

ロボット訓練、ゲーム、VFX、VRが主要な応用分野とされています。

ロボットにとって、空間知能は非常に重要です。

なぜなら、ロボットは3D空間で動くからです。

Marbleが特徴的なのは、生成した3D環境をメッシュとしてエクスポートできることです。

つまり、生成された世界を他の3Dツールやシミュレーション環境に持ち込むことができる。

これは、デジタルツインと非常に相性が良い。

BIM、CAD、3Dスキャンで作った現場データに、生成AIによる空間補完やシーン生成を組み合わせる。

そうすれば、ロボットの訓練環境をより早く、より多様に作れるようになります。

このように、World Foundation Modelは、

  • NVIDIA Cosmosのように、合成データ生成と物理AI推論に特化したもの

  • Google Genie 3のように、リアルタイムでインタラクションできる世界を生成するもの

  • World Labs Marbleのように、永続的な3D空間を生成し編集できるもの

という、複数のアプローチが並行して発展しています。

9. World Foundation Modelの主要プレイヤーマップ

ここで、現時点でWorld Foundation Model領域を走っている主要プレイヤーを整理しておきます。

大手テック・基盤モデル提供

  • NVIDIA:Cosmos Predict、Cosmos Transfer、Cosmos Reasonを統合した「Physical AI Data Factory Blueprint」を提供。フィジカルAI向け世界基盤モデルの最有力プラットフォームの一つ。

  • Google DeepMind:Genie 3(リアルタイムインタラクション可能)、Veo 3(高品質動画生成)、Project Genie(米国Google AI Ultraユーザー向け実験プロトタイプ)。

  • Meta:Yann LeCun氏が「JEPA(Joint Embedding Predictive Architecture)」を提唱、世界モデル研究を推進。

  • OpenAI:Soraなどの動画生成モデルを持つ。過去にFigure AIへ投資・提携していたが、Figure AIは2025年2月にOpenAIとの協業を終了し、自社モデル「Helix」路線へ移行。OpenAI自身は現時点で、フィジカルAI向けWorld Foundation Modelを明確に前面展開している段階ではない。

専業スタートアップ

  • World Labs:Fei-Fei Li設立、Marble、2026年に10億ドル調達(評価額は報道ベースで約50億ドル規模とされる)。

  • Decart:インタラクティブ世界モデル(Oasisなど)、ゲーム・体験向け。

  • Odyssey:映画・コンテンツ向けの世界モデル。

  • Runway:映像制作向け世界モデル(Gen-3 Alpha、Gen-4)。

  • Skild AI:汎用ロボット脳「Skild Brain」を開発するロボット基盤AI企業。NVIDIA CosmosやIsaac系シミュレーションを活用し、実機データ・合成データ・ポリシー検証を組み合わせるプレイヤーとして注目される。

  • Generalist AI:Cosmosを使った合成データ研究。

  • Lightwheel:SimReadyアセット、合成データ、ロボット評価プラットフォームを提供するPhysical AIインフラ企業。Samsung向けの組立ロボット用シミュレーションでも知られる。

自動運転特化の世界モデル

  • Waymo:Genie 3を基盤に適応したWaymo World Model。

  • Wayve:GAIA-1、GAIA-2(自動運転向け世界モデル)。

  • Tesla:Full Self-Driving用の社内世界モデル。

日本企業のターゲット企業

正面対決はかなり厳しい領域です。

しかし、日本にもこの方向性を進めるプレイヤーはいます。

  • Preferred Networks:産業用シミュレーション、深層学習基盤に強み。

  • Sakana AI:基盤モデル研究。

  • Sony AI、Sony Group R&D:イメージセンサーと組み合わせた空間知能の可能性。

  • NTT(tsuzumi)、富士通(Takane)、NEC:基盤モデル基盤。

  • 東京大学(松尾研、JSK研)、産業技術総合研究所(AIST):学術研究。

日本企業が目指すべきベンチマークは、

  • World Foundation Modelの汎用基盤としては、NVIDIA Cosmos、Google Genie 3、World Labs Marble。

  • ただし、これらをゼロから作るのではなく、使いこなす側に回ることが現実的。

  • むしろ日本が狙うべきは、現場特化の応用層です。Waymoのように特定用途へ世界モデルを適応する方向、あるいはLightwheelのようにSimReadyアセット、合成データ、評価基盤を整える方向が現実的です。

10. World Foundation Modelとデジタルツインの関係

ここで、デジタルツインとの関係を整理します。

デジタルツインは、現実の建物、工場、倉庫、設備、ロボット本体を仮想空間に再現する技術です。

BIM、CAD、3Dスキャン、点群、OpenUSD、Omniverse。

こうした技術を使って、現実の現場を仮想空間に作ります。

一方、World Foundation Modelは、その仮想世界を拡張する役割を持ちます。

デジタルツインは、現実のコピーに強い。

World Foundation Modelは、多様なシーン生成や未来予測に強い。

つまり、デジタルツインは現実の基準点。

World Foundation Modelは、その周辺に多様な可能世界を生成する技術。

この組み合わせが、フィジカルAIの訓練を加速します。

11. World Foundation ModelとVLAの関係

次に、VLAとの関係です。

VLAは、視覚、言語、行動をつなぐモデルです。

しかし、VLAを鍛えるには大量のデータが必要です。

人間の指示、カメラ映像、ロボットの状態、行動、成功結果、失敗結果。

現実だけでこれを集めるのは大変です。

そこで、World Foundation Modelが役立ちます。

実際、NVIDIAはGR00T N1向けの学習・評価ワークフローで、合成軌道データを大規模に生成し、実データと組み合わせることで性能改善を示しています。World Foundation Modelや合成データ生成は、VLAやロボット方策を育てるための重要なデータ源になりつつあります。

たとえば、人間のテレオペレーション(遠隔操作)データを少量集める。 それをCosmos Predictで「夢見」させ、新しい環境やタスクのバリエーションを大量に生成する。 そこから行動トークンを抽出し、VLAの追加学習に使う。

この仕組みにより、わずかな実機データから、大量の訓練データを派生的に作ることが可能になります。

VLAとWorld Foundation Modelは、車の両輪のような関係です。

12. World Foundation ModelとSim-to-Realの関係

フィジカルAIにおいて、Sim-to-Realは非常に重要です。

シミュレーションで学んだ動作を、現実のロボットへ移す。

しかし、シミュレーションと現実にはズレがあります。

これをSim-to-Real Gapと呼びます。

World Foundation Modelは、このズレを埋める補助になる可能性があります。

たとえば、シミュレーション映像をより現実らしく変換する。 現実映像からシミュレーションに近い表現を作る。 現実で起きた失敗に似た仮想シーンを生成する。 現実では集めにくい危険シーンを作る。

Cosmos Transferは、まさにこの用途に向けて設計されています。

ただし、World Foundation ModelだけでSim-to-Realが完全に解決するわけではありません。

物理シミュレータ、実機ログ、センサーキャリブレーション、System Identification、Domain Randomization、安全評価。

これらと組み合わせる必要があります。

13. World Foundation ModelはフィジカルAIのデータ工場になる

私は、World Foundation Modelの本質は、フィジカルAIのデータ工場になることだと考えています。

フィジカルAIでは、データが足りません。

ロボットの動作データが足りない。 失敗データが足りない。 危険シーンが足りない。 人との協調データが足りない。 現場別のデータが足りない。

現実で集めるには時間がかかります。

だから、仮想世界と生成AIで補う必要があります。

実際、NVIDIAは、わずかな人間のデモンストレーションから、大量の合成軌道データを短時間で生成できることを実証しています。これは、人間が手作業でデータを集めれば数ヶ月かかるレベルの規模です。

これが、World Foundation Modelが「データ工場」になるという意味です。

14. それでも現場データは必要である

ここで、非常に重要な点があります。

World Foundation Modelが発展しても、現場データが不要になるわけではありません。

むしろ、現場データの価値はさらに高まります。

なぜなら、World Foundation Modelを現場に合わせるには、現場データが必要だからです。

汎用的な世界基盤モデルは、多くの環境を学んでいます。

しかし、自社の工場の床材は知らないかもしれません。 自社の棚配置は知らないかもしれません。 自社の作業者の動線は知らないかもしれません。 自社の設備の癖は知らないかもしれません。 自社の安全ルールは知らないかもしれません。 自社の品質基準は知らないかもしれません。

だから、汎用モデルをそのまま使うだけでは足りません。

自社の現場データで調整する必要があります。

ここが、第1回で書いた「自社の現場データは育てるしかない」という話につながります。

つまり、これからの競争は、

汎用World Foundation Modelを使えるか。

そして、それを自社現場データでどれだけ早く現場適応できるか。

この2つで決まります。

15. 日本企業はWorld Foundation Modelをどう使うべきか

日本企業が、NVIDIAやGoogle、World Labsと同じ規模でWorld Foundation Modelをゼロから作るのは簡単ではありません。

巨大な計算資源、大量の映像データ、ロボットデータ、世界トップ級のAI人材、長期資本。

これらが必要だからです。

実際、World Labsは2026年2月時点で10億ドルを調達しています。NVIDIAやGoogleは、それよりはるかに大きな計算資源と人材を投じています。

しかし、日本企業がこの流れに乗れないわけではありません。

重要なのは、どこで戦うかです。

日本企業が狙うべきは、World Foundation Modelそのものをゼロから作る競争だけではありません。

むしろ、次の領域です。

1. 現場特化データの収集

工場、倉庫、介護、建設、農業、観光など、日本の現場でロボットを動かし、現場固有データを蓄積する。

2. 現場特化シミュレーション環境の構築

BIM、CAD、3Dスキャン、OpenUSDを使い、日本の現場をデジタルツイン化する。日本のBIM/CAD資産は、日立、富士通、清水建設、大林組、竹中工務店などが豊富に持っています。

3. 現場別スキルライブラリの構築

部品供給、ピッキング、搬送、見守り、案内、点検など、現場ごとの基本動作を部品化する。ファナック、安川電機、川崎重工、デンソーウェーブの蓄積が活きます。

4. 安全運用データの蓄積

人との距離、停止タイミング、危険区域、ヒヤリハットを記録し、安全設計に反映する。日本の機能安全(ISO 13849、IEC 61508)の蓄積が活きます。

5. 業務システムとの接続

ERP、MES、WMS、QMS、保全システムとロボットをつなぐ。富士通(GLOVIA)、日立(HITPHAMS)、NEC(EXPLANNER)、東芝、SAPジャパン、Oracle Japanのノウハウが活きます。

つまり、日本企業は、World Foundation Modelを「使われる側」ではなく、「現場価値に変換する側」になるべきです。

NVIDIA Cosmos、Google Genie、World Labs Marbleの基盤を使いながら、日本の現場データと業務システムを組み合わせる。

ここに勝ち筋があります。

16. World Foundation Model時代のデジタルツイン

World Foundation Modelが進化すると、デジタルツインの作り方も変わっていくはずです。

従来のデジタルツインは、BIM、CAD、3Dスキャンを使って、現実を正確に再現することが中心でした。

これは今後も重要です。

しかし、World Foundation Modelが入ると、デジタルツインは単なる現実のコピーではなくなります。

現実の工場を再現する。そこから別の配置パターンを生成する。人の動線を変える。照明条件を変える。危険シーンを作る。ロボットの失敗パターンを再現する。改善後のレイアウトを検証する。

つまり、デジタルツインが、現実のコピーから、未来の検証環境へ進化します。

これは、日本の製造業にとって非常に大きな意味を持ちます。

現場改善を、現実のラインを止めずに仮想空間で試せる。 ロボット導入前に、作業性、安全性、動線、ボトルネックを検証できる。 ヒューマノイドを導入した場合、どこで詰まるかを事前に確認できる。

これは、カイゼンのデジタル化です。

日本の改善文化とWorld Foundation Modelは、実は相性が良い可能性があります。

17. World Foundation Model時代のRoboOps

World Foundation Modelが進化すると、RoboOpsも変わります。

RoboOpsとは、ロボットを1台から100台、1000台へ拡張して運用するための仕組みです。

ここにWorld Foundation Modelが入ると、ロボット運用はより高度になります。

たとえば、現場で失敗が起きたとします。

ロボットが棚から商品を取れなかった。

RoboOpsは、そのログを収集します。

カメラ映像、深度データ、関節ログ、力覚データ、作業結果、失敗理由。

World Foundation Modelは、その失敗に似たシーンを仮想的に増やします。

棚の位置を変える。照明を変える。商品配置を変える。ロボットの角度を変える。把持方法を変える。

その上で、再学習し、改善されたモデルを現場に戻す。

これが、World Foundation Model時代のRoboOpsです。

つまり、RoboOpsは単なる監視システムではなくなります。

現場データを使って、仮想世界で再現し、改善し、現場へ戻す学習ループになります。

18. World Foundation Modelの限界と注意点

World Foundation Modelは非常に強力ですが、万能ではありません。

ここは冷静に見る必要があります。

まず、見た目がリアルでも、物理が正確とは限りません。

生成された映像が自然に見えても、ロボットの関節トルクや接触力、摩擦、剛体運動が正確に再現されているとは限りません。

特に、生成された映像が自然に見えても、接触力、摩擦、トルク、柔軟物、液体、布、長時間の人間行動までは正確に再現できるとは限りません。したがって、World Foundation Modelは物理シミュレータや実機検証の代替ではなく、データ生成・検証・エッジケース拡張を補助する層として使うべきです。

次に、長時間の一貫性は難しい。

Genie 3は数分の連続性を達成しましたが、現場運用で必要な数時間、数日の一貫性にはまだ遠い。

さらに、現場固有のルールは汎用モデルだけでは分かりません。

どの設備が危険か。どの作業者がどの動線を使うか。どの工程が詰まりやすいか。どの作業は人間に確認すべきか。

こうした現場知識は、現場データと業務知識が必要です。

つまり、World Foundation Modelは強力な土台ですが、それだけでフィジカルAIは完成しません。

物理シミュレータ、デジタルツイン、VLA、小脳制御、安全層、RoboOps、現場データ、業務システム連携。

これらと組み合わせて初めて価値が出ます。

19. 日本企業が避けるべき誤解

World Foundation Model時代に、日本企業が避けるべき誤解があります。

それは、

「NVIDIAやGoogle、World Labsが全部作るなら、日本企業は何もできない」

という考え方です。

これは違います。

基盤モデルは重要です。

しかし、基盤モデルは現場にそのまま入るわけではありません。

現場には、設備があります。作業者がいます。安全ルールがあります。品質基準があります。在庫システムがあります。保全ルールがあります。顧客ごとの運用があります。

ここを接続する企業が必要です。

日本企業が狙うべきなのは、World Foundation Modelを現場で使える形にすることです。

現場のデジタルツインを作る。 現場データを集める。 現場別のスキルを作る。 安全評価を行う。 業務システムとつなぐ。 RoboOpsで運用する。

この部分は、日本企業が十分に戦える領域です。

むしろ、ここを取らなければ、日本はフィジカルAI時代に部品供給者で終わってしまう可能性があります。

20. 第4回のまとめ

今回の記事では、World Foundation Modelについて整理しました。

World Foundation Modelとは、フィジカルAIが現実世界を理解し、予測し、シミュレーションし、行動を学ぶための大規模な世界モデルです。

LLMが言葉の基盤モデルだとすれば、World Foundation Modelは物理世界の基盤モデルです。

NVIDIA Cosmosは、合成データ生成、世界予測、物理AI推論を統合したプラットフォームです。Cosmos Predict、Cosmos Transfer、Cosmos Reasonの3つで構成され、Figure AI、1X、Agility Robotics、Skild AIといったヒューマノイド企業の訓練データ生成に使われ始めています。

Google DeepMindのGenie 3は、リアルタイムでインタラクションできる世界生成を実現し、Waymoが自動運転シミュレーションに採用しています。

World LabsのMarbleは、Fei-Fei Li氏が掲げる空間知能の方向性を示し、永続的な3D空間生成と編集に強みがあります。2026年2月に10億ドル調達(評価額は報道ベースで約50億ドル規模)。

ただし、World Foundation Modelは万能ではありません。

物理シミュレータを完全に置き換えるものではない。 現場データを不要にするものでもない。 安全設計を自動で解決するものでもない。

重要なのは、組み合わせです。

World Foundation Model、デジタルツイン、物理シミュレータ、VLA、小脳制御、Sim-to-Real、RoboOps、現場データ。

これらを組み合わせることで、フィジカルAIは現実世界で動けるようになります。

日本企業にとって重要なのは、World Foundation Modelをゼロから作る競争だけではありません。

それを現場に接続することです。

日本の工場、倉庫、介護、建設、農業、観光の現場データを活用し、現場特化のフィジカルAIシステムを作ること。

ここに、日本の勝ち筋があります。

次回予告

次回は、「VLAモデルとは何か──見る・言葉を理解する・行動するAI」 を扱います。

第3回では世界モデルを整理しました。 第4回ではWorld Foundation Modelを整理しました。

次回は、ロボットが人間の指示を受け、視覚情報を理解し、実際の行動に変換するVLAモデルを扱います。

VLAは、ヒューマノイドを人間の言葉で動かすための重要技術です。

しかし、VLAだけではロボットは働けません。

世界モデル、スキルライブラリ、小脳制御、安全層、データ基盤と組み合わせる必要があります。

VLA分野では、Physical Intelligence(π0、π0.5、π0.6)、Skild AI、Figure AI(Helix)、NVIDIA(GR00T N1.5、N1.7)、Google DeepMind(Gemini Robotics 1.5)が主要プレイヤーとして注目されています。

次回は、VLAの役割、限界、実用化の課題、そして日本企業がどう使うべきかを整理します。

※本記事の出典・補足

  • Cosmos Predict / Transfer / Reasonの仕様および位置づけは、NVIDIA公式ドキュメントおよびNVIDIA Researchの公開情報をもとに整理しています。Cosmos Predict 2.5は2025年後半に公開され、約2億本の動画クリップで学習されたとNVIDIA Researchで説明されています。

  • Genie 3 / Project GenieはGoogle DeepMind公式情報をもとに整理しています。2026年1月のProject Genieは、米国のGoogle AI Ultraユーザー向けの実験プロトタイプとして提供されています。

  • WaymoのWaymo World Modelは、Genie 3を基盤に運転領域向けに適応されたものとされています。

  • World Labsの2026年2月の資金調達(10億ドル)は公式発表ですが、評価額(約50億ドル)は報道ベースの情報です。同社公式は評価額を開示していません。

  • 各社の量産・公開時期は2026年前半時点の情報であり、変動する可能性があります。

#フィジカルAI #ヒューマノイド #PhysicalAI #ロボティクス #AI #WorldFoundationModel #世界基盤モデル #NVIDIACosmos #CosmosPredict #CosmosTransfer #CosmosReason #PhysicalAIDataFactory #GoogleGenie3 #ProjectGenie #DeepMind #WorldLabs #Marble #FeiFeiLi #SpatialIntelligence #空間知能 #Waymo #Wayve #Tesla #Sora #Runway #Decart #Odyssey #FigureAI #1X #AgilityRobotics #SkildAI #IsaacSim #IsaacLab #Omniverse #OpenUSD #PreferredNetworks #SakanaAI #SonyAI #現場特化 #カイゼン #日本の製造業 #ハードソフト統合 #米中対決 #日本の未来

いいなと思ったら応援しよう！