AIの次の覇権は「記憶・世界モデル・計画」：LLMの次に来る3つの研究テーマ
AI研究の最前線は「次の巨大モデル」だけではなく、“覚える・世界を予測する・計画する”という、より実務に直結する能力に軸足が移りつつあります。Big Technology Podcastに出演したJoelle Pineauは、その焦点を ①メモリ ②ワールドモデル ③推論と計画（特に階層計画）の3点に整理しました。
以下では、発言内容をもとに「なぜそこがボトルネックなのか」「企業導入で何が起きるのか」を、具体例つきで噛み砕きます。
1. 次のフロンティアは「記憶・世界・計画」
Pineauが示したのは、いわば“LLMの次の三種の神器”です。
メモリ（Memory）：大量に“保存”できても、いつ・どれを呼び出すかが難しい。単なる長文入力ではなく、時間スケールや粒度をまたいだ扱いが必要。
ワールドモデル（World Models）：行動が世界をどう変えるかを予測する「因果のモデル」。エージェントが動くほど重要になる。
推論と計画（Reasoning & Planning）：現状は“手数の多い探索”に寄りがちで、粒度を上下しながら計画する能力（階層計画）が弱い。
ここで重要なのは、「Attention is all you need」という象徴的フレーズに対して、彼女が（趣旨として）“注意機構だけでは足りない”と明確に線を引いている点です。次は“注意の外側”＝記憶の選択、世界の予測、階層的な計画が主戦場になる。
2. メモリは「巨大コンテキスト」で解けるのか
ホスト側は、「コンテキストウィンドウを巨大化すれば、メモリと継続学習の両方が解けるのでは？」と問いかけます。Pineauの答えは、近いが別物。
2-1. メモリと継続学習は似て非なるもの
メモリ：タスクに応じて、必要な情報を“選んで”引き当てる問題。評価軸（効率・関連性）が比較的定義しやすい。
継続学習（Continual learning）：環境が変わり続ける（非定常）前提で、学習自体が更新される問題。研究コミュニティでも“問題定義が揃いにくい”と指摘。
2-2. 「忘れないAI」が危険になる瞬間
継続学習をオンラインで回し続けると、挙動が急変するリスクがある。彼女は、リリース単位でテストし、性能・安全性を確認してから出す運用の合理性を語ります。例として、Microsoftの学習型ボットTayが炎上した事例が会話に出ます。
2-3. なぜ「最初のメールを探す」が難しいのか
番組内では、「メールの山から“妻に最初に送ったメール”を見つけられない」例が出ます。Pineauは、“診断には条件確認が要る”と前置きしつつ、一般論として原因を3つに分解します。
アクセス権・可視性：そもそもAIが参照できる範囲が限定されている（プライバシー設計）。
圧縮（埋め込み）：大規模運用では生データのまま保持せず、embeddingsなどで表現を圧縮する。そこで情報が落ちる/歪むことがある。
検索とランキング：拾えた候補が多すぎて上位に出ない、など“取り出し”の問題。
つまり、メモリは、「保存容量」より、取り出しの設計（権限・表現・検索）が本丸です。
3. ワールドモデルは「重力を理解するか」ではなく「環境の規則を掴むか」
ワールドモデルという言葉は曖昧に聞こえがちですが、Pineauは整理します。
“世界”は一枚岩ではなく、物理世界とデジタル世界がある。
3-1. 物理とデジタルで、必要な“世界理解”は違う
物理ロボットには重力や接触などが重要
Web上の業務エージェントには、金融ルールや社内プロセスなどが重要
どちらも「その環境で行動した結果」を予測するために、環境ルールのモデル化が要る。
3-2. 現実解は「Human-in-the-loop」が強い
興味深いのは、Pineauが、“全自動チャットボット万能論”を一段引いて見ている点です。
顧客対応などでは、AIが関連情報を社内外から集約→診断と提案→人が検証して実行、という形が強い。これにより、30分かかる調査が「20秒で確認・実行」に近づく可能性がある、という趣旨の話が出ます。
この設計は、世界モデルが未完成でも「人が欠けた前提を補う」ことで事故を抑えつつ、運用データで改善できる。結果として継続学習の入口にもなる、という流れです。
4. 推論の核心は「階層計画」：粒度を上げ下げできない
Pineauが提示する“推論の弱点”は、推論の長さではなく、粒度の制御です。
旅行計画を例に、
「まず季節・地域→次に日程・目的→最後に予約」
途中で予約が詰まれば「上位粒度に戻って」日程や同行者を再設計する——この往復が人間は自然にできるが、AIは苦手。これが、hierarchical planning（階層計画）だと説明します。
4-1. なぜ“コード”が希望になるのか
番組では、コードが関数・モジュール・依存関係など階層構造を明示するデータであり、学習を通じて「粒度の違う計画」を推論しやすくなるのでは、という期待が語られます。
近年の“コーディングエージェント／vibe coding”の盛り上がりも、ここにつながります。
5. 企業導入の現実：「能力のオーバーハング」と“主戦場はガバナンス”
Pineauは、AIは「できること」より「使われていること」が小さい、capability overhang（能力のオーバーハング）があると断言します。理由は大きく2つ。
コストと十分性：顧客は“最大性能”より“十分な性能×効率”を選ぶ。
組織の摩擦：既存プロセスや情報共有の断絶が、導入の天井になる。
この文脈で、Cohereが賭けているのが「高いプライバシー・セキュリティ要件のエンタープライズAI」。金融など規制産業で、社内データを閉域で扱う需要が強い、という話につながります。
5-1. “AI主権”は国家だけでなく、企業のリスク管理でもある
彼女は、AI sovereignty（主権）を「自前モデル」だけでなく、ベンダー依存を避ける選択肢（複数モデルでの比較・切替）という意味でも語ります。
5-2. 雇用インパクト：若手が“10倍”になり、ミドルが揺れる
AIは若手が一気に生産性を上げ、プロトタイプで意思を伝えられる“コミュニケーション技術”になる。これは若手だけの話ではなく、意思決定層も「メモを書く代わりに試作品を作る」方向に変わる、という指摘が出ます。
つまり、問われるのは年次ではなく「新しい道具で仕事を再設計できるか」です。
まとめ
この回の要点は、AI研究が、“モデルの大きさ競争”から、記憶（取り出し）／世界の予測（因果）／計画（階層）という、エージェント実装の核心に移っていること。
そして、企業導入のボトルネックは、性能そのもの以上に、権限・データ接続・評価・安全性テストといった“運用の設計”にある、という現実です。
