DrFeiFei氏が語るAIの次なるフロンティア：言語から「空間知能」へ

現在の AI は流暢な文章を書き、高精細な画像を生成できますが、写真に写ったコーヒーカップとテーブルの端との距離を推測させると、コイントスと変わらない精度しか出せないのが実情です。

「AI のゴッドマザー」と呼ばれるスタンフォード大学のフェイフェイ・リー教授は最新のエッセイで、現在の大規模言語モデルは「暗闇にいる言葉の職人」に過ぎず、物理的な現実に根ざしていないと指摘しました。そして、次の AI のフロンティアは言語ではなく、3D 空間を理解し推論する「空間知能」であると主張しています。

この理念を掲げて設立された彼女のスタートアップ World Labs は今週、プロンプトから 3D 世界を生成できる初の商用製品「Marble」を正式にリリースしました。

暗闇の言葉職人から空間の理解へ

リー教授のエッセイによると、人類の知性は言語が誕生するはるか昔、外部環境を知覚し行動するループの中で進化してきました。

乳幼児は言葉を覚える前から、手で触れ、空間を移動することで物理法則を直感的に学びます。古代エジプトで影の角度から地球の全周を計算した試みや、金属模型を組み立てて DNA の二重らせん構造を特定した発見など、歴史的なブレイクスルーの多くはテキストではなく空間的な直感によってもたらされました。

一方、現在のマルチモーダルモデルは空間把握において非常に脆い状態です。リー教授によると、最先端のモデルであっても、距離や向き、物体の大きさの推定精度はランダムな推測と大差ありません。頭の中で物体を回転させたり、迷路の近道を見つけたり、基礎的な物理挙動を予測することも苦手で、生成ビデオも数秒で物理的整合性が破綻してしまいます。

この課題を克服するために必要なのが、物理的に破綻のない 3D 空間を丸ごと把握・生成する「世界モデル」です。

テキストから Unreal Engine 対応の 3D 空間を出力

昨年秋に 2 億 3000 万ドルを調達した World Labs は、この構想を具体的な製品として投入しました。

新ツール Marble は、テキスト、画像、または動画のプロンプトを入力するだけで、操作可能でダウンロードできる 3D 空間を生成します。

料金プランは 4 段階です。無料枠では月 4 回の生成が可能です。Standard プランは月額 20 ドルで 12 回、Pro プランは月額 35 ドルで 25 回の生成枠と商用利用権が付き、最上位の Max プランは月額 95 ドルで 75 回の生成が可能です。

海外メディアによる試用では、滝の流れる城や植物に覆われた廃墟などが生成され、中を歩き回ることが確認されました。ただし、数歩進むと生成された空間の端にある「見えない壁」にぶつかるなど、現時点での技術的制約も見られます。有料プランでダウンロードしたデータは、Unreal Engine や Unity などのゲームエンジンにそのままインポートして利用できます。

なぜ重要か

ゲームクリエイターや映像制作者、建築デザイナーにとって、Marble は初期のコンセプト作成を劇的に加速する実用的なツールになり得ます。従来は何日もかけてゼロからモデリングしていたラフな 3D 背景を、わずか数分で出力して編集環境に持ち込める価値は小さくありません。

業界全体にとっても、テキストや静止画の競争が頭打ちになりつつある中、次なる主戦場が「空間と物理法則の理解」に移りつつあることを示しています。Google やテンセントも世界モデルの開発を急いでおり、3D 空間モデルを巡る競争は一段と激しさを増しています。

World Labs のアプローチは、いきなり難易度の高いロボット制御に踏み込むのではなく、まずは需要の明確な 3D クリエイティブ市場で商用化を果たした点でスマートだと評価できます。ソフトウェア販売で収益とデータを確保しながらモデルを鍛える道筋を描いています。

とはいえ、見栄えの良い 3D 空間アセットの出力と、物理的な相互作用を完全に再現する世界モデルとの間には依然として大きな隔たりがあります。数歩歩くだけで壁に突き当たる現状を見る限り、現段階の Marble は洗練された空間ジェネレーターにとどまっており、物理世界を真に推論する AI への道のりはまだ始まったばかりです。