「世界モデル」3つの潮流：李飛飛は3D資産、ルカンは予測脳、DeepMindはシミュレータ

AI業界でいま最も熱いキーワードが「世界モデル（World Model）」です。しかし、誰もが同じ未来を見ているわけではありません。

直近のわずかな期間に、フェイフェイ・リー氏率いるWorld LabsがMarbleを公開し、DeepMindはGenie 3とSIMA 2を披露しました。さらに、MetaのチーフAIサイエンティストであるヤン・ルカン氏が退社して世界モデルに特化したスタートアップを立ち上げると報じられました。同じ言葉を使いながら、3者のアプローチは驚くほど乖離しています。

1つのバズワード、3つの全く異なるアプローチ

世界モデルという概念自体は新しいものではありません。1943年に心理学者のケネス・クレイグが、脳は外部現実の小規模なモデルを構築して行動を予測していると提唱したことに遡ります。

World Labsが発表したMarbleは、プロンプトや画像、動画からブラウザ上で歩き回れる3Dシーンを生成するパイプラインです。編集ツールのChiselを備え、3D Gaussian Splatting（3DGS）やポリゴンメッシュとして書き出し可能で、独自のThree.jsレンダラーSparkも提供しています。

しかしHacker NewsやRedditでは、これは洗練された3Dアセット生成ツールであって、ロボットの思考を司る頭脳ではないという冷静な指摘が相次ぎました。

対照的にルカン氏が提唱するJEPA（結合埋め込み予測アーキテクチャ）は、美しい映像を出力しません。外界の感覚データを圧縮された潜在状態として捉え、行動によってそれがどう変化するかを予測する、純粋な計画エンジンとしての世界モデルです。

そしてDeepMindは、ゲームエンジンの代わりにモデルが直接毎秒24フレームの対話型映像を生成するGenie 3と、その中で遊んで学ぶエージェントSIMA 2を組み合わせ、両者の中間のようなシミュレーター環境を構築しています。

なぜ重要か

ゲーム開発者や3Dクリエイターにとって、World LabsのMarbleは今すぐ試す価値のある実践的な制作支援ツールです。プロンプトからWeb対応の3DGSシーンへ直結できる利便性は本物です。ただし、ロボットに物理法則を理解させたい研究者にとっては、求めている解ではありません。

業界全体にとって、この動きはテキスト中心の大規模言語モデル（LLM）がいよいよ限界を迎えつつあるという共通認識を示しています。ルカン氏の独立報道が事実であれば、Metaの研究方針にも影響を与え、潜在空間予測を軸にした新たな基礎モデル開発競争が加速することになります。

高精度な3DGSアセット生成ツールを世界モデルと呼ぶ手法は、資金調達や注目集めとしては非常に巧妙です。しかし、見た目をリアルに再現することと、物理的な因果関係を理解することは根本的に異なります。言葉の定義が曖昧なまま期待だけが先行している現状には危うさがあり、真の知能への到達にはまだ時間がかかると考えられます。