ワールドモデル
World Model
ワールドモデルとは?
- 世界の仕組みを内部にモデルとして持つAI
- 行動の前に結果をシミュレーションして予測
- フィジカルAI・ロボットの「頭脳」レベル
ワールドモデルが組み込まれると、システムの処理順序そのものが変わります。今のAIは入力を受けるとすぐに次の単語や次の動作を出しますが、ワールドモデルを持つ側は 'この動作をすると1秒後に場面がどうなるか' をまず仮想的に作り、その仮想の場面を採点してから初めて実際の命令を出します。行動と結果のあいだに仮想の時間が一層挟まる構造なので、同じロボットアームと同じカメラでも失敗の回数が減ります。その代わり学習データの性質が変わります。正解ラベルが付いた文章や画像ではなく、'状態 → 行動 → 次の状態' とつながった記録が必要になります。
その中でも枝分かれがあります。一つは場面を圧縮した数値ベクトル(潜在空間)だけを予測する方式で、画面を描かないため軽く、ロボット制御のように数十ミリ秒以内に答えが必要な場面で使います。もう一つはピクセル単位の映像を直接生成する方式で、人が目で検証しやすい反面、演算が重くなります。共通の限界は予測の地平です。多くは1〜3秒先までが実用的で、その先は誤差が雪だるま式に膨らみます。物理エンジンやデジタルツインと混同されやすいですが、こちらは人が重力や摩擦係数を数式として与えたものであり、ワールドモデルはそのルールをデータから自ら抽出するという点が異なります。
現場で最も頻繁にずれるのは '映像がもっともらしければ世界を理解したことになる' という誤解です。水がこぼれる場面を滑らかに作っても、コップの重さが変わると予測が丸ごと狂うモデルが少なくありません。シミュレーション成功率95%だけを見て導入したところ、床の素材や照明が違う実際の倉庫で成功率が60%台に落ち込む事例が、そうした誤解から生まれます。予測が外れた瞬間をログに残して学習に戻す仕組みがないまま導入すると、誤差が積み重なったまま機械が自信を持って動き続け、人が介入するタイミングさえ逃してしまいます。検討段階で '何秒先まで当てられるか' と '外れたとき何を止めるか' の2点は必ず確認すべきです。
強化学習で、エージェントが環境を内部モデルで予測するようにした研究(2018年頃の「World Models」など)に由来し、フィジカルAIや映像生成と結びついて、2025年以降に中核的なテーマとして浮上しました。
仮の事例で見てみましょう。自動車内装材を製造するA社(役職員320名、年売上高780億ウォン(約932,802万円))は、第2工場の出荷倉庫にピッキングロボットを4台導入しました。ところが稼働後の6か月間、積荷が崩れたり製品が挟まれたりする破損クレームが月11件ずつ積み上がりました。現場では「ロボットは箱を人のようには見ていない」という声が広がり、生産技術チームは8か月がかりの改善課題を抱えることになりました。
- 生産技術チームのパク次長は、1か月かけてロボットのカメラ映像4,200件を調べ、事故直前の3秒間の190件を抜き出しました。そして「崩れる前の場面がどんな状態だったかから見よう」と言い、失敗した場面にだけラベルを付けました。
- 外部のAI企業と共同で「現在のシーン+ロボットの動作→1.5秒後のシーン」を予測するモデルを組み込みましたが、欲を出して予測期間を3秒に延ばしたところ予測が曖昧になり、結局1.5秒に戻しました。
- 安全管理者の要請で「予測シーンで箱の傾きが15度を超えたら動作を取り消す」というルールを設けたところ、最初の2週間はロボットが1日40回停止し、物流班長が「これなら人の方が速い」と抗議しました。
- パク課長代理は取り消された動作ログ560件を巻き戻して再学習に投入し、予測と実際がずれた場面だけを選んで週1回モデルを更新するルーティンを作り、不要な停止を1日9回まで減らしました。
- 8か月後、破損クレームは月11件から2件に、ピッキング1件あたりの平均所要時間は14.2秒から12.6秒に減り、再作業の人件費を年4,300万ウォン(約514万円)削減したことで、3工場への拡大適用が決定されました。
金鍾赫
イム・アラ