世界モデルAI、小型でも巨大を超える時代へ

AIが「次に何が起きるか」を予測する「世界モデル」の研究で、業界の常識を覆す成果が相次いで発表されている。要は「巨大モデルを使えば精度が上がる」という前提が崩れつつある、ということだ。

今回注目したいのは2つの研究。ひとつは「Causal-JEPA」、もうひとつは「DeltaWorld」。どちらも、パラメータ数（モデルの規模）ではなく「何を学習目的に設計するか」という構造の工夫で、はるかに大きなモデルを圧倒している。DeltaWorldは0.3Bという小型モデルでありながら、Nvidiaが開発した12B規模の大型モデル「Cosmos」を、2,000分の1の計算量で超えたとされる。情報の出典は研究者コミュニティアカウント@DL_Hacksによる論文紹介ツイート（2025年）。

「スケールさえ上げれば性能が上がる」という考え方は、ここ数年のAI業界を動かしてきた大きな前提だった。GPT-4やGeminiのような巨大モデルが注目を集めた背景には、「大きいほど賢い」という実績があったからだ。

しかし今回の2研究は、その前提に明確に挑戦している。Causal-JEPAは「物体単位でマスクして推論させる」という学習設計を採用することで、「反実仮想（もし〇〇が起きなかったら？）」の推論精度を21%向上させた。DeltaWorldは「フレームの差分を1トークンに圧縮する」という独自の設計で、巨大モデルと同等の動画生成品質を圧倒的に少ないコストで実現した。

注目したいのは、これが「安くて速いだけ」の話ではない点だ。設計の巧みさによって、「因果関係の理解」や「多様な未来シナリオの生成」といった、純粋なスケールアップでは得にくい能力が引き出されている。つまり、大きさより「何を学ばせるか」の設計が重要という方向に、研究の潮流が明確に動き始めている。

使う側の視点で言えば、この流れが意味するのは「使えるAIが民主化されていく」という現実だ。巨大な計算資源を持つ大手企業だけが良いモデルを持てる時代から、設計力で勝負できる時代へのシフト。ロボット制御や動画生成、LP用の映像素材制作など、これまで「重すぎる・コストが高すぎる」と感じていた領域に、小型で実用的なモデルが入り込む余地が広がっていく。生成AI画像、日常投稿に溶け込む時代へでも触れたように、生成技術の実用化スピードは加速している。

Q. 「世界モデル」と普通の動画生成AIは何が違うの？ A. 通常の動画生成AIは「それらしい映像を作る」ことを目標にしている。世界モデルは「物理法則や因果関係を理解した上で、次に何が起きるかを予測する」ことを目標にしている。たとえば「ボールを押したら転がる」という物体同士の関係を理解して映像を生成できるかどうかが、大きな違いだ。ロボット制御や自動運転の研究で特に注目されている領域でもある。

Q. 「FLOPs 2,000分の1」って実際どれくらい速いの？ A. FLOPs（浮動小数点演算の回数）はモデルが1回の推論で行う計算の量を表す。2,000分の1ということは、同等の映像を生成するのに必要な計算コストが2,000倍少ないということだ。実際の処理時間やAPIコストへの影響は実装・インフラ次第だが、同等品質を圧倒的に少ないリソースで実現できるという方向性は明確だ。

Q. これは日本語コンテンツや日本の用途に使えるの？ A. 現時点でCausal-JEPAもDeltaWorldも研究段階であり、日本語対応やUIを備えたプロダクトとしては提供されていない。ただし動画・映像の生成や予測は言語に依存しない領域が多く、研究が実用化された際には日本語コンテンツでも活用できる可能性は高い。実用化までのタイムラインは公式からは明示されていない。