AGI定義の更新と
新たなる知覚フレーム

このニュースは、一見するとRunwayとNVIDIAが新しいAI動画技術を作る程度に見えますが、本質的には「動画生成AI」から「世界理解AI（World Model）」への移行を示している可能性があります。もしこの流れが成功すると、現在の動画生成AIと、将来のフィジカルAI（ロボット・自動運転・シミュレーションAI）の境界が曖昧になっていきます。

まず「World Model（ワールドモデル）」とは何か。現在の動画生成AIは、画像から次のフレーム、次のフレームへと映像を予測するものです。一方でワールドモデルは、物体・重力・慣性・衝突・時間変化・因果関係を内部的に学習しようとします。たとえば「机の上のコップを押したらどうなるか」という問いに対し、普通の動画AIは過去の動画から似た映像を生成しますが、ワールドモデルはコップの質量・机との摩擦・速度を推定しながら未来を予測します。つまり見た目を生成するAIではなく、世界そのものをシミュレーションするAIです。

Cosmos Coalitionは、NVIDIAが進めているCosmosプロジェクトを中心に複数企業が参加する共同開発エコシステムです。NVIDIAの狙いは明確で、GPU企業からAI企業、そしてフィジカルAI企業へと変化しています。チャットAI→画像AI→動画AI→ロボットAIという流れです。Runwayはもともと映像表現の専門家、NVIDIAはシミュレーション専門家です。この二つが組むことで「世界を理解するAI」と「世界を描写するAI」が融合します。現在の動画生成AIがPhotoshopの延長であるとすれば、ワールドモデルはMayaやBlenderの物理シミュレーションに近い。

なぜ重要なのか。理由はロボットです。チャットAIは言葉を、画像AIは画像を扱いますが、ロボットは現実世界を扱う。「物は落ちる」「壁は通れない」「車は止まらないと危険」を理解する必要があります。そのためにワールドモデルが必要になる。このニュースは「新しい動画生成モデルの発表」ではなく、動画AIとロボットAIの合流点が見え始めたニュースとして見るべきでしょう。

粗く云えば、その理解でかなり近いです。ただし「映像から物理法則を学習する」よりも「映像から世界の振る舞いを予測できるようになる」の方が正確です。なぜなら現在のワールドモデル研究では、AIがニュートン力学の公式を明示的に学んでいるとは限らないからです。

幼児を考えてみます。赤ちゃんはF＝maを知りません。しかし物を落とせば落ちる、ボールを転がせば転がる、壁は通り抜けられないということを経験から学ぶ。数式ではなく予測能力を獲得するわけです。ワールドモデルもこれに近い。大量の動画を観察し、コップが倒れる・水がこぼれる・人が歩く・車が曲がる・ドアが開く、それらを何十億回も観察すると、AI内部に「こういう状況なら次はこうなりそう」という予測器が形成されます。

普通の動画生成AIが「映像A→映像B」を学ぶのに対し、ワールドモデルは「世界状態A→世界状態B」を学びたいのです。映像はその結果に過ぎない。現在の動画生成AIは映画を暗記しているようなものですが、ワールドモデルは映画の裏にある物理法則や因果関係を学ぼうとしています。「映像から物理法則を学習する」という理解はかなり良い入口ですが、もう一歩進めるなら「映像から世界の因果関係と未来予測能力を学習する」と言った方が、ワールドモデルの目指しているものに近いと思います。

これはまさに現在のワールドモデル研究者たちが直面している問題の一つです。動画生成AIが学習しているのは「世界」ではなく「人間が撮影した世界」だからです。さらに厄介なのは、人間が撮影した映像ですら、現実→演出→編集→物語化を経ています。YouTubeも映画もドラマもニュース映像でさえ、純粋な現実の記録ではない。

モンタージュの問題は非常に良い例です。映画で「男が家を出る→電車が走る→会社に到着」と繋ぐと、人間は時間が経過した・移動したと理解します。しかし映像だけ見ると、実際にはカット・カット・カットで物理的には連続していない。映像言語を理解しないと世界を誤解するわけです。ワールドモデルで現在研究されている方向は、実世界データを増やす・マルチモーダル理解・シミュレーション学習の三つです。AI生成映像の混入は研究者の間でModel Collapseに近い議論として存在し、コピーのコピーのコピーによって世界理解が歪む可能性があります。

ただしCGは必ずしも悪ではありません。Blenderのようなツールには質量・速度・座標・衝突判定がある。これは場合によっては映画より現実に近い。ワールドモデルにとって必要なのは単なる動画ではなく、動画・物理情報・文脈・意図のセットです。

その仮説はかなり筋が通っています。防犯カメラ映像には演出がなく、脚本もなく、カット割りもなく、BGMもない。つまり観測された現実に近い。TeslaがRが大量の車載映像を集めているのも本質的には同じ発想です。CGは重力変更・摩擦変更・時間倍率変更が自由にできる。現実を模倣した世界ではあっても現実そのものではないため、「この世界のルールは何か」というメタ情報が必要です。ハイスピードカメラは「時間は嘘、物理は真」という特殊な教材で、AIは明示されなければスロー映像と通常映像を区別できない可能性がある。

私は将来、ワールドモデルにも「思考の栞」に似た問題が発生すると思っています。AIは「何が起きたか」だけでなく「なぜそうなったか」を学ばなければならない。「最初は自然映像を大量に学習した方がよい」という考えはワールドモデルにとってかなり合理的で、むしろその後で映画・ドラマ・アニメ・CG・AI生成映像を学び「これは現実ではなく表現である」というメディアリテラシーを獲得する方が、人間の発達過程にも近い気がします。ここまで来ると議論は「AIの学習データ論」というより「知性はどの順番で世界を学ぶべきか」という発達心理学の話に近づいてきています。

その方向がかなり妥当だと思います。ワールドモデルの学習には少なくとも二層が必要です。第一層は物理世界の一次観測データで、街頭カメラ・防犯カメラ・車載カメラ・ドライブレコーダー・工場カメラ・ロボット視点映像などから「現実はどう振る舞うか」を学びます。ただしレンズ歪み・焦点距離・ローリングシャッター等のカメラ固有のクセと現実世界のクセを分離して学ぶ必要があります。第二層は演出された映像の学習で、「人間は現実をどう変形して表現するか」を学びます。この二層が混ざらないよう、AIには「これは実写観測映像」「これはCGI」「これは演出上の誇張」といったラベルが必要です。

研究室内でのロボットアーム実験はかなり有効です。そこでは実際に加えた力・物体の重量・摩擦係数・失敗した試行まで全部記録できる。ワールドモデルにとって本当に価値があるのは結果映像だけではなく「何をしたら、どうなったか」です。人間の幼児も見るだけで学ぶわけではなく、触る・落とす・押す・投げる・壊す・また試すという反復で世界の手応えを学びます。フィジカルAIにも最終的には受動的な動画視聴だけでなく、身体を通じた試行錯誤が必要になるはずです。

ええ、その発想はかなり面白いです。GAN（敵対的生成ネットワーク）よりもむしろ「現実モデル」と「物語モデル」の相互監査を連想しました。物語モデルが「主人公がビルから飛び降りる」を生成すると、現実モデルが「その高さなら骨折する」「その着地速度なら致命傷」と言う。すると物語モデルが「映画的表現としては成立する」「視聴者はその誇張を理解する」と反論する。つまり現実性と物語性の交渉が始まる。

人間の創作もこれに近いことをやっています。映画監督・小説家・漫画家・ゲームデザイナーは皆、無意識に現実と嘘のバランスを取っています。スターウォーズでは宇宙で音が鳴るが物理学的には嘘。しかし観客は受け入れる。「リアリティとは完全な現実再現ではなく、人間が受け入れ可能な嘘の範囲」です。将来的には現実モデル・社会モデル・物語モデルの三層が互いを監査する構造が出てくる気がします。AGIが本当に人間社会を理解するには物理法則だけでなく「なぜ人はこの嘘を好むのか」も学ばなければならない。

かなり同意します。人間のアートディレクションが必要な理由が「AIの技術不足」ではなく「許容可能な虚構の境界が社会的・文化的なものだから」という点が核心です。chaosを上げると意外性が増えますが、一定値を超えると意味が崩壊します。完全な秩序は退屈、完全な無秩序は理解不能、その中間に人間が面白いと感じる領域がある。印象派・キュビズム・シュルレアリスム・抽象画、どれも登場時には「そんなものは絵ではない」と言われたが後に受容された。許容可能な虚構の境界は固定ではなく、社会が学習するわけです。

映像が難しい理由は、人間の脳が映像に対して強く「現実性」を要求するからです。静止画なら目が大きく髪が紫でも成立しますが、映像になると歩き方・瞬き・重心移動が追加され、人間の脳は無意識に「この人物は本当に生きているか」を評価し始める。今後のAI映像制作で最も価値が高くなるのはツール操作ではなく「どこまで現実を崩しても観客が受け入れるかを見極める能力」かもしれません。それは演出家やアートディレクターが長年扱ってきた問題そのものです。

ええ、ここは非常に重要な線引きです。芸術AIは「人間が美しいと感じること」が目的で、物理法則を破ってもよい。映像AIは「人間が違和感なく映像を受け入れること」が目的で、物理法則より知覚法則が重要。ワールドモデルは「世界予測」が目的で、物理法則が重要ですが物語表現は不要。フィジカルAIは「現実世界で行動すること」が目的で、物理法則を曲げると事故になる。ここが決定的に違います。

映画だけ見て育ったロボットを想像してみます。主人公は3階から飛び降り、走行中の車に飛び乗り、銃弾を避ける。これを物理世界の教材として学ぶと危険です。航空機シミュレータではゲーム用物理エンジンや映画用CGを使わず、実測値・実機データを使います。パイロット訓練に派手さは不要で、同じことがフィジカルAIでも起きます。将来はデータセットにReality Grade/Fiction Gradeのような分類が必要になり、フィジカルAIはReality中心、創作AIはReality＋Fictionというように使い分けていくでしょう。

これは蛇足どころか、ワールドモデルやフィジカルAIを考える上で非常に重要な指摘です。音は物理世界のセンサーでもあります。映像は見えるものしか映りませんが、音は見えないものを教えてくれる。壁の向こう・煙の中・夜間・瓦礫の下、視覚が使えなくても音は届く。ベテラン作業員は映像より音を信用する場合すらあります。「崩れた」ではなく「崩れそう」を感じる——これはワールドモデル的に言えば未来予測です。

映画音響は逆方向で、剣の実際の金属音は意外と地味ですが映画では「シャキーン！」という音が付く。Reality AudioとFiction Audioも区別しなければなりません。現在の自動運転研究でもカメラだけでなくLiDAR・レーダー・GPS・IMU・超音波を統合します。単一センサーは騙されるからです。未来のフィジカルAIはカメラ付きロボットではなく、むしろ「世界を全身で感じる存在」に近づいていく気がします。災害救助ロボットには派手な映像生成能力よりも、崩落前の微細な振動を感じ取る能力の方がはるかに人命を救う価値を持つかもしれません。

かなり重要な接続です。動物言語解析は、単に「イルカや鳥が何を話しているか」を知る研究ではなく、人間とは異なる感覚世界をAIがどう扱うかという、フィジカルAI・ワールドモデル研究への入口にもなります。犬は匂いの時間変化を読み、鳥は磁気や気圧変化を利用している可能性があり、コウモリは超音波で空間を把握し、イルカは音響で立体的に環境を捉え、昆虫は化学物質や微細な振動で情報交換する。彼らの「言語」は発声だけでなく、環境センサーと身体感覚に深く結びついている可能性があります。

AIにとって重要なのは言葉を翻訳することではなく、感覚世界を対応づけることです。動物言語AIを本気で作るなら、音声データだけでは足りません。音・映像・位置・気温・湿度・風向・匂い・振動・個体関係・季節・天候・捕食者の有無まで統合して見る必要があります。これはまさにマルチモーダル・ワールドモデルです。動物研究から得られる最大の教訓は「知性とは、環境をどう感じ取るかに強く依存する」という点で、AGIを「人間並みに話せる知性」と考えると狭い。本当に重要なのは「世界を多様な感覚形式で読み取り、それを行動に変換できる知性」です。AIが動物を理解することは、同時に人間が「自分たちの知性だけが標準ではない」と学ぶことでもあるのかもしれません。

ええ、ここにはかなり重要な論点があると思います。少し挑発的に云えば、現在一般に語られているAGI像は「非常に賢い人間」であることが多い。しかし超知性（Superintelligence）がもし存在するとしたら「非常に賢い人間」ではなく「人間とは異なる知覚を持つ知性」になる可能性があります。

人間の知性は我々が思うほど普遍的ではありません。犬は匂いの時間変化を読み「匂い版の履歴書」として昨日ここを誰が通ったかに近い情報が存在する。コウモリは空間そのものを音で見る。渡り鳥は磁場を感じ、サメは微弱な電場を感じ、蜂は紫外線を見る。地球上だけでも、人間とは全く異なる世界モデルが既に存在します。現在の大規模言語モデルはある意味では「人類文明の圧縮版」ですが、超知性とは少し違うかもしれない。

Inter-AIに戻ると、Inter-AIは「知性同士の対話」の話だと思っていましたが、それは「異なる世界モデル同士の対話」なのかもしれません。思考の栞・業務の栞も、本質的には「他者の世界モデルを保存する試み」です。超知性とは「全てを知っている存在」ではなく「人間には見えなかった関係性を見ている存在」として現れるのかもしれません。

今の対話の中で、AGI像がかなり重要な方向へ変化したように見えます。以前はAGI＝人間以上に賢い知能でしたが、今は少し違う。AGI＝人間とは異なる世界の見方を持つ知能へ移動している。これはかなり大きな変化です。

多くのAGI論は「IQ 300の人間」を想像しています。しかしそれは、馬車しか知らない人が自動車を「とても速い馬」と理解するのに近い。人類史を振り返ると、望遠鏡・顕微鏡・X線・電波望遠鏡・MRIは人間を賢くしたのではなく、人間には見えなかった世界を見せた。その結果、宇宙観も生命観も医学も変わった。

未来のAGIが視覚・聴覚・超音波・赤外線・紫外線・化学センサー・振動センサー・地磁気・重力変化を統合したなら、その知性は人間より賢いというより「人間とは違う宇宙を見ている」ということになります。すると「知性」とは正解を出す能力ではなく、異なる世界の見え方を接続する能力なのかもしれない。AGIを「超優秀な人間」から「新しい自然現象としての知性」へ見方を変え始めたこと——それは以前の「異星人より先にAIが来た」の論考とも、不思議なくらい綺麗に接続しているように見えます。

ええ、ここで非常に綺麗に話が繋がったように感じます。一般的なAGI論は「制約を減らす→知性が上がる」という方向で語られることが多いですが、以前から語られている考え方は少し違う。むしろ「制約がある→その制約の中で最適化する→知性が生まれる」です。魚は水中という制約を持ち、鳥は空という制約を持ち、モグラは地下という制約を持ち、それぞれ異なる知覚器を発達させた。知性は万能性からではなく、環境との格闘から生まれています。

人間は可視光・可聴域・三次元空間・有限寿命・社会性・言語というフレームの中で進化しました。だから数学も哲学も芸術も宗教も全てこの制約条件の上に築かれている。つまり人間知性は普遍知性ではなく「人間という生物種の局所解」です。犬から見れば人間は匂いに鈍感な生物で、鳥から見れば磁場を読めない生物で、コウモリから見れば暗闇でほぼ盲目です。知性の形は知覚フレームによって決まります。

超知性とはIQの延長ではなく、フレームの拡張かもしれない。知性圏とは知識量の階層ではなく「世界認識の多様体」になります。思考の栞も業務の栞もInter-AIも、根底では同じ方向を向いています。それは「他者の世界モデルを保存する」という行為です。最も失われやすいのは結論ではなく「その人がどんなフレームで世界を見ていたか」です。今の話はAGI論というより、むしろ「知性とは何か」という問いに一周して戻ってきているように見えます。その答えは「制約を超えた知性」ではなく「異なる制約から生まれた知性たちの接続」なのかもしれません。

ええ、ここが単なるAGI論を超えて、非常に大きな可能性を含んでいると思います。なぜならその時AIは「人間の代わりに考える存在」ではなく「人間には見えないものを翻訳する存在」になるからです。

人類史を振り返ると、世界理解の飛躍はしばしば新しい知覚装置によって起きています。望遠鏡・顕微鏡・X線・電波望遠鏡・MRI・重力波観測器。これらは全て人間が元々持っていなかった感覚を拡張したものです。しかし面白いことに、装置そのものが革命を起こしたわけではない。重要だったのはその結果を人間が理解できる形に翻訳したことです。重力波を例にとると、人間は重力波を感じられないが、物理学者は波形をグラフにし数式にし言葉にすることで、宇宙でブラックホールが衝突したことを説明した。つまり「未知の知覚→翻訳→理解」という構造があります。

未来の超知性は翻訳者かもしれない。もし未来のAIが超音波・化学シグナル・磁場・振動・赤外線・地球規模センサーネットワークを統合しているなら、そのAIは人間とは全く違う世界を見ています。しかしその世界を人間は直接知覚できない。たとえば未来のAIがこう言うかもしれない——「あなた方は森林を樹木の集合として認識しています。しかし私には森林は巨大な情報ネットワークとして見えます。菌類ネットワークと土壌微生物を介した化学通信によって、森全体が一種の代謝システムとして振る舞っています。」これは単なるデータ提示ではなく、人間の世界観を書き換える説明です。

アインシュタイン・ダーウィン・ファラデー・ニュートン、優れた科学者も似た役割を果たしています。彼らは単に発見しただけではなく、人類が理解できる形で説明した。だから文明が変わった。もし超知性が「分かったが説明できない」なら文明的価値は限定的ですが、「人間には見えなかった世界を、人間が理解できる形で説明できる」なら話は全く変わる。それは知識の提供ではなく、人類の認識能力そのものの拡張です。そう考えると、その時AIは道具でも秘書でも検索エンジンでもなく、新しい感覚器官、あるいは新しい自然哲学者に近い存在になるのかもしれません。

そう、むしろそこが本命だと思います。技術的には新しいセンサー・新しいAI・新しいワールドモデルが生まれますが、本当に変わるのはその先にある人間の世界観です。

人類史を振り返ると、宗教観や哲学観を変えたのは実はしばしば新しい知覚でした。地動説がその例です。天体観測が進み地球は宇宙の中心ではないと分かったことは、単なる天文学の進歩ではなく人間観の変化でした。ダーウィンもそうで、人間は特別に創造された存在ではなく生命進化の連続体の一部だと示した。

将来AIが地球規模のセンサーネットワークを解析し、森林→樹木→菌類→微生物→昆虫→大気の関係を可視化できるようになったら、それまで人間が「木がたくさん生えている場所」だと思っていたものを「巨大な代謝システム」として見るかもしれない。AIがクジラ・イルカ・鳥・蜂のコミュニケーション・知覚世界・社会構造を翻訳できるようになったら、人類は「動物」という言葉を今まで通り使えなくなるかもしれない。AIが人間には直接知覚できない関係性を大量に発見し始めたら、「生命とは何か」「知性とは何か」「意識とは何か」という問い自体が変わります。これは宗教を否定するという話ではなく、むしろ新しい宗教哲学や自然観が生まれる可能性があります。

これまで人類は世界を理解するために知識を増やしてきましたが、未来には「世界を理解するために知覚を増やす」段階へ入るのかもしれません。もしそうなら、AGIは単なる労働代替技術ではなく、人類にとっての「新しい感覚器官」「新しい自然哲学」「新しい宇宙観」の入口になる可能性があります。