ロボットはワールドモデルの夢を見るか？ ロボット産業におけるAIの先端事情

机の上に、半分まで水が入ったコップがある。ロボットアームは、倒さずにつかんで隣のトレーへ移したい。腕の角度、握る力、周りの箱との距離。少しずれるだけで失敗します。

人なら、動く前に「この角度なら届く」「そのまま持ち上げるとぶつかる」と、結果をざっくり思い浮かべます。ロボットにも、現在の状態と次の動作から、その先に起こる変化を予測させる。この仕組みがワールドモデルです。

ロボットは、学習データを基に未来を計算します。学習した範囲なら、動く前に複数の結果を比べ、失敗しにくい動作を選べます。

この「本番前に一度やってみる」力は、ロボットの学習を変えそうです。ただし、見栄えのいい未来映像と、安全に使える予測は別物です。

では、これは研究室の中だけの話なのでしょうか。米国、中国、英国、EU支援の開発を見ると、すでに競争は「未来を生成できるか」から、「生成した未来を訓練、動作、安全評価へどう戻すか」へ移っています。

ワールドモデルは、AIが環境の変化を内部で予測し、その結果を学習や行動選びへ使う研究の総称です。製品や研究によって、予測する対象や設計は異なります。

2018年の論文「World Models」では、車を走らせるゲームの画面から「次に何が起きるか」をAIに学ばせました。するとAIは、ゲーム本体を毎回動かさなくても、自分が覚えた仮想世界の中で運転を練習できました。

ロボットへ置き換えると、次のような循環になります。

1. カメラやセンサーで、物体の位置や周囲の状態を見る

2. 「右からつかむ」「左からつかむ」など、行動の候補を作る

3. それぞれの行動後に何が起きるかを予測する

4. 目的に近く、危険が少ない行動を選ぶ

5. 実際に動き、予測と現実のずれを確かめる

少し動くたびに現実を見直し、次の動きを選び直します。カーナビが現在地を更新しながら経路を引き直す感覚に近いでしょうか。

動画生成AIも、前の画面から次の画面を作ります。違いは、何を「正解」とするかです。

動画なら、動きが自然で、指示した場面が映っていることが評価されます。ロボット制御では、腕を3センチ動かした結果、コップがどこへ移るか、指が接触するか、どの程度の力が加わるかまで、行動選びに使える精度で合っている必要があります。

人の目には自然な映像でも、途中で指の本数が変わる。物体が一瞬消える。重さが変わったような速度で落ちる。映画なら一瞬の違和感で済んでも、ロボットにとっては、つかむ場所そのものが消えたことになります。

この差を考えると、映像のきれいさだけを見て「物理法則を理解した」と判断するのは早い。私たちがワールドモデルを見るときも、まず気になるのは画質より、入力した行動の違いが、予測結果の違いへ正しく反映されているかです。

現実のロボット学習には、少し困った事情があります。失敗も大切なデータですが、工場で部品を何万回も落としたり、人の近くで衝突を繰り返したりはできません。実機、つまり本物のロボットを動かす時間、場所、修理費にも限りがあります。

各社は、仮想の練習場で得た予測を、ロボットの動作や安全評価へつなごうとしています。

以下では、ワールドモデルが産業のどこへ入り始めたかを、四つの企業・開発計画に絞って見ます。

米国・NVIDIA――未来映像から、ロボットの両腕を動かす

米国のNVIDIAが開発するCosmosは、ロボット開発に使うAIと道具をまとめたシリーズです。その中のCosmos-Predict2が、現在の映像から「この後どうなるか」を動画で予測します。

そのCosmos-Predict2を、ロボットを動かす役へ作り替えた研究がCosmos Policyです。Policyは、この分野で「どの状況で、どの動作を選ぶか」という行動ルールを指します。Cosmos Policyは、未来の映像と、そこへ進むための腕の動きを一緒に出します。

実機では、カメラと二本の腕を持つ研究用ロボットALOHAが、キャンディーをボウルや袋へ入れました。さらに、ロボットAIの共通テストRoboCasaにも挑戦しています。RoboCasaは、コンピューター上のキッチンで引き出しを開けたり、コンロを消したりする24種類の課題です。Cosmos Policyの平均成功率は67.1％でした。

平均成功率67.1％なら、3回に1回ほどは失敗する計算です。現在地は、限られた作業をこなす研究段階。それでも、未来映像を作るAIが、ロボットの動きを選ぶところまでつながった。ここは大きな変化です。

中国・Alibaba――20種類を超える「身体」を、一つの言葉で扱う

中国のAlibabaは2026年6月、ロボット向けAI群「Qwen-Robot Suite」を発表しました。Suiteは「一式」という意味です。物をつかむQwen-RobotManip、室内を移動するQwen-RobotNav、動きの先を予測するQwen-RobotWorldの三つが役割を分担します。

Qwen-Robot Suiteは一台のロボットの商品名ではなく、予測、物体操作、移動を担う三つのAIをまとめた名称です。出典：Alibaba Cloud「Introducing the Qwen-Robot Suite」

たとえば「赤い箱を持ち上げる」と指示する。Qwen-RobotWorldは、現在の映像とその言葉を受け取り、「この後、箱と腕がどう動くか」を動画で予測します。Qwen-RobotWorldが出すのは予測映像で、モーターの制御はQwen-RobotManipなどが担当します。予測映像は、学習データを増やしたり、実行前に動きを考えたりする用途が想定されています。

技術報告によると、学習には860万組の動画と説明文を使いました。映像には、ロボットアーム、人の手、自動車など20種類を超える「身体」と、500種類を超える動作が含まれます。形の違う機械でも、言葉なら「持ち上げる」「前へ進む」と共通に表せる。その言葉を橋渡しにして、ロボットごとに学習をやり直す負担を減らす狙いです。

目指している方向は、たしかに「多様なロボットへ応用できる頭脳」に近いです。現時点で確認されているのは、研究チームが用意したロボットや評価課題での成績です。初めて扱うロボットや工場でも安全に通用するかが、次の検証になります。

英国・Wayve――起きてほしくない事故場面を、先に作る

英国の自動運転企業Wayveは、車を「道路を動くロボット」と捉え、生成AIを訓練と評価へ使っています。GAIA-2は、開発室のコンピューター上に運転場面を作る、訓練・安全試験用のワールドモデルです。英国、米国、ドイツの道路と、車の前後左右にある複数のカメラ映像をまとめて生成します。

例えば、対向車線へはみ出す車、左折時に譲らない車、無理な追い越し、急な割り込み。現実でわざと起こせない状況を作り、自動運転AIがどう反応するかを試します。

事故がたくさん起きては困るが、安全性を確かめるには経験しておきたい。
この矛盾を、生成したデータで埋めようとしているわけです。ワールドモデルの用途が、ロボットを上手に動かす訓練だけでなく、「危険な未来にどう備えるか」という評価へ広がっている例です。

ただし、生成した危険場面が現実の事故分布をどこまで再現できるかは、継続して検証が必要です。

スウェーデン発・EU支援HYPER――既存の産業用ロボットへ共通の頭脳をつなぐ

欧州では、工場ですでに使われている機械へAIをつなぐ研究も進んでいます。HYPERは、スウェーデン企業Cogniboticsが主導するEU支援の開発計画です。品物の位置や形が毎回変わる倉庫・工場でも働ける、共通のロボットAIを目指しています。

HYPERを主導するCogniboticsが物流施設へ設置した産業用ロボットHKM1800。HYPERの実験そのものではありませんが、同社がAIを接続しようとしている産業用ロボットの具体例です。出典：Cognibotics「Nowaste Logisticsへの導入事例」

欧州委員会の2026年6月の報告によると、HYPERはKUKA、ABB、Universal Robotsなど、メーカーが異なる産業用ロボットへ同じAIをつなぐ接続口を作りました。AIは「箱を移して」といった目標だけでなく、腕の角度、速さ、つかむ力まで出します。立方体を受け渡す実験では、条件によって80〜100％の成功率でした。

この数字は、プロジェクト自身による中間報告です。試験対象も立方体の受け渡しに限られています。そのうえで、既存メーカーのロボットへ共通の頭脳を接続し、品物の大きさや重さが変わる仕事へ対応させる。工場側から見れば、この現実的な入口はかなり重要です。

四つの事例では、学習データ、異なる機械への転用、危険場面の試験、既存設備との接続が競争軸になっています。ワールドモデルは、その全てに関わる産業基盤になり始めています。

ロボットのAIを調べると、**VLA（Vision-Language-Action）**という言葉も出てきます。日本語にすれば「見る・言葉を理解する・動く」を一つにつないだAIです。カメラ映像と「果物を箱へ入れて」という指示から、腕や車輪の動きを直接決めます。

Google DeepMindのGemini Roboticsも、このVLAの一つです。同社は、腕を動かすGemini Roboticsと、作業の順番や物の位置を考えるGemini Robotics-ERを組み合わせています。ERはEmbodied Reasoningの略で、「身体を使う仕事の考え役」と捉えると分かりやすいでしょう。

Gemini Robotics-ERが担うのは、物体を見つけ、指示された場所を示し、別のカメラに映る同じ物体を対応づけ、位置を立体的に捉える仕事です。出典：Google DeepMind「Gemini Robotics brings AI into the physical world」

役割を単純化すると、VLAは「次にどう動くか」を決めます。ワールドモデルは「その動きをしたら何が起きるか」を予測する。自転車で言えば、ハンドルを切る役と、その先の進路を読む役の違いです。

実際の開発では、二つの役を一つのAIへまとめる動きもあります。予測した未来が成功率や安全性を本当に上げたのか。見るべきなのはそこです。

仮想環境で覚えた動きを本物の機械へ移す問題は、業界でSim-to-Realと呼ばれます。Simulation to Reality、つまり「仮想から現実へ」という意味です。

床の摩擦、物体の重心、カメラの汚れ、照明のちらつき、モーターの個体差。柔らかい袋は持つ場所によって形が変わり、人が急に手を出すこともあります。仮想環境で省いた小さな要素が、現実では失敗の原因になります。

対策には、仮想環境の条件をばらばらに変えて学ぶ、少量の実機データで調整する、動いている途中で何度も観測し直す、といった方法があります。学習時に出会わなかった状況への対応は、なお残る課題です。

しかも、予測は先へ進むほどずれやすくなります。最初の一秒で生じた小さな誤差が、その後の位置や接触の予測へ積み重なるからです。長い作業ほど、一度の壮大な未来予測より、短く予測して現実を見直す循環が大切になります。

企業がロボットへ仕事を任せられるか判断するには、成功率、失敗例、環境が変わったときの動き、安全に停止できる条件を確認します。デモ映像は、その確認材料の一つです。

たとえば「箱を棚へ置く成功率90％」と書かれていても、10回中9回なのか、1万回中9,000回なのかで意味は変わります。失敗の傾向を見るには、箱の種類、棚の高さ、照明、やり直しの回数も必要です。

開発企業のデモは、可能性を知るには面白い材料です。別の工場でも同じ性能が出るかを判断するには、試行条件と失敗例が要ります。近年の研究には査読前の論文も多く、開発チーム自身の評価と、第三者による再現も分けて見る必要があります。

フィジカルAIを製造現場へ入れる条件を考えるときも、モデル単体の性能だけでなく、安全装置、実機データ、現場で再調整できる人まで含めて設計することになります。AIの予測が外れた後、どう止まり、誰が直すのか。仕事では、そこまでが一つの仕組みです。

ロボットは、ワールドモデルの夢を見るのか。今のロボットは、限定された条件であれば、行動後を予測し、失敗しにくい選択肢を選べるようになっています。学習データを基に、何が起こりそうかを計算しています。
めちゃくちゃ解像度の高い予知夢のようですね(笑)

米国、中国、英国、EU支援の事例は、未来予測をロボットの動作、共通の言葉、安全試験、既存設備へつなごうとしていました。どれも研究室の映像だけで終わらせず、実際の機械へ近づける試みです。

実機で試す前に候補を比べられれば、壊す回数を減らし、珍しい状況も練習できます。ワールドモデルが広げるのは、ロボットが経験できる世界の数なのだと思います。

ワールドモデルの価値は、予測と現実のずれを測り、動くたびに修正しながら、目の前のコップを倒さず運べるかで決まります。

夢と呼ぶには、ずいぶん現実的で地道な計算ですね。それでも、まだ起きていない出来事を内部で試し、よりよい行動を選ぶ。ロボットの「想像力」は、その往復の中で育っているところです。