ロボは“台本”では動かない：Yann LeCunが語るEmbodied AIの本質
Davos 2026のAI Houseで議論された「Embodied AI（身体性を持つAI）」は、“見る・聞く・理解する・計画する・行動する”を現実世界で実行するAIを指します。自動運転からヒューマノイドまでを射程に入れつつ、議論の核心は「LLMの成功を、そのまま現実世界へ持ち込めるのか？」という問いでした。セッション情報として、ETH ZurichのMarc PollefeysとYann LeCunがEmbodied AIを扱ったことも公開されています。
1. Embodied AIは「ロボット」だけではない：現実世界の“連続データ”問題
トークでは、Embodied AIをロボットに限定せず、製造プロセスやエンジン制御など、高次元・連続・ノイズの多い信号（代表は動画）を扱う「物理世界のAI」全般として捉えていました。言語のようにトークン化された世界と違い、現実世界は、“状態が連続で、観測が不完全で、未来が分岐する”。ここが難所です。
ポイントは、「言語は“意味”から入れるが、物理は“センサーの洪水”から入る」という非対称性。だから、LLMの勝ちパターン（次トークン予測）を、そのまま適用すると詰みやすいという問題意識が前提になります（LeCunのポジションペーパーも同方向の主張を整理しています）。
1-1. なぜレベル5自動運転や“家事ロボ”が普及しないのか
議論では、自動運転はレベル4相当でも「地図・稼働エリア・高価なセンサー」に依存しがちで、“一般化された常識”が不足している点が強調されました。つまり、現実世界では「想定外」に耐えるための、予測・計画の土台（世界モデル）が弱い。これは投資家目線で言えば、Embodied AIが“夢”から“実装”へ進むための最大の技術的ボトルネックです。
2. LLM／VLM／エージェントの限界：スクリプト化できる範囲は強いが脆い
セッションでは、VLM（Vision-Language Model）や行動出力を伴う“エージェント的”アプローチは、「手順が固定化された反復タスク」では、価値が出る一方、未知タスクのゼロショット遂行には限界がある、という整理がありました。ここでのキーフレーズは、
「新しいタスクを、人間や動物のように“精神モデル”で解くには不十分」
という点です。
この対比は、専門家コメントとしても象徴的に語られています。例えば、記事内で引用された表現（別文脈のマイクロドラマ記事ですが）同様に、刺さる“比喩”は議論の本質を圧縮します。Embodied AIでも重要なのは比喩ではなく、「予測→計画→行動」が回る設計です。
3. 核心は「世界モデル」：ピクセル予測ではなく“抽象表現”で未来を読む
議論の中心概念が、World Model（世界モデル）です。定義はシンプルで、
「時刻tの状態と行動から、t+1の状態を予測できるか」
これができれば、行動の結果を“事前に想像”でき、計画が可能になる。
ただし、重要な但し書きがありました。動画をピクセル単位で当てにいくのは本質的に破綻しやすい。未来の詳細（服の質感など）まで一意に決められないからです。そこで出てくるのが、LeCunが推す JEPA（Joint-Embedding Predictive Architecture） 系の発想――入力空間を再構成するのでなく、抽象表現空間で“予測できる部分だけ”を学ぶ。
3-1. V-JEPA 2が示した「観察→少量の相互作用→計画」の道筋
この発想を動画へ拡張した代表例が、V-JEPA 2。Metaの発表・論文では、インターネット規模の動画で事前学習し、少量のロボット相互作用データを追加して、行動条件付きの世界モデルへ寄せ、理解・予測・計画に繋げるアプローチが示されています。
セッションでも「大量の動画観察で“常識の核”を作り、その上に少量データで身体（ロボット）へ接続する」という方向性が繰り返し語られていました。
3-2. 階層的計画：NY→空港→搭乗…の“抽象度の梯子”
人間は、ミリ秒単位の筋肉制御で旅行計画を立てません。高い抽象度で計画し、サブゴールへ分解し、最後に実行可能な粒度へ降りる。これが階層的計画で、AIでは未解決が多い領域。LeCunのポジションペーパーでも、複数時間軸の予測や階層構造が重要論点として整理されています。
4. 学習の“ケーキ理論”：自己教師が土台、教師ありは薄く、強化学習はチェリー
トークで象徴的だったのが、学習の役割分担です。
土台（ケーキの大部分）：自己教師あり学習＝世界の理解・表現・予測
薄い層：模倣学習／教師あり＝手本からの素早い上達
チェリー：強化学習＝微調整（ただし現実ではサンプル効率が悪い）
この構図は、「観察中心で賢くなる」路線の正当化であり、Embodied AIが、“データ収集地獄”に陥らないための戦略でもあります。V-JEPA 2のように、観察で汎用表現を作り、相互作用は最小化する設計がここに噛み合います。
5. 最後の壁は計算資源より「デバイス」：メモリ移動が電力を食う
後半で強調されたのは、アルゴリズムだけでなく、ハードウェア／デバイスの制約です。脳は“重みがその場にある”のに対し、現代計算機は重みをメモリから読み出し、演算して、書き戻す。このメモリ帯域・データ移動が電力を支配するという指摘は、Embodied AIの実装（リアルタイム制御、低消費電力）に直結します。
実務的に言えば、ここは投資テーマになります。
省電力推論（エッジAI）
新しいメモリ階層・近接メモリ
非同期／アナログ／新材料（将来）
アルゴリズム進歩が“行動可能なフォームファクタ”に落ちるまでには、デバイス面のブレークスルーが必要――という見立てです。
結論
Embodied AIの勝ち筋は、派手なデモ（カンフーするロボ）ではなく、「世界モデルで予測し、抽象度を上げ下げしながら計画し、現実で安全に行動できる」という地味で本質的な能力にあります。Davosの議論は、LLM中心の“言語AI”の次に来る革命として、観察主導の世界理解＋少量相互作用＋計画という設計図を提示していました。
