[Clinical AI Coding 100 : C78.6] 見ているだけのAIから、世界を予測し、因果に迫るAIへ――基盤ワールドモデルの夜明け

みなさん、幼い頃に積み木を高く重ねすぎて派手に崩してしまったり、ボールを壁に向かって投げて跳ね返る軌道を目で追ったりした経験、きっとありますよね。私たちは学校でニュートン力学の複雑な数式や、摩擦係数の計算方法を教わる前から、日々の遊びという「物理世界との相互作用」を通して、世界を学んできました。私たちの脳は、こうした経験の積み重ねによって「重力」や「慣性」、「物体の永続性（見えなくなってもそこにあること）」といった物理法則を感覚的に身につけ、環境の内部モデルを構築していきます。これこそが、認知科学や近年のAI研究において「ワールドモデル（世界モデル）」と呼ばれる概念の核心なのです (Ha and Schmidhuber 2018)。

私自身、臨床現場で患者さんのわずかなサインから容体を予測しようと目を凝らしていた日々を思い出すのですが、熟練した医師が行っている思考プロセスも、実は高度なワールドモデルの働きそのものだと言えます。例えば、救急搬送されてきた患者さんの呼吸パターンの乱れ、皮膚の湿潤、モニターの数値を見た瞬間、医師の頭の中では「もしこのまま何もしなければ数十分後にどうなるか」、あるいは「もし今、血管拡張薬を投与したら血圧はどう推移するか」という複数の未来のシナリオが瞬時にシミュレーションされています。この「頭の中の安全な砂場（シミュレータ）」で事前の検証を行う能力があるからこそ、私たちはこの複雑で不確実な世界を生き抜き、専門的な意思決定を下すことができるのだと思います。

さて、AI技術の進化に目を向けると、大規模言語モデル（LLM）が膨大なテキストデータを読み込み、見事な文章を生成するようになったのはご存知の通りです。また、Sora 2、Veo、Runway Gen-3などに代表される高性能な動画生成AIは、テキストの指示（プロンプト）だけで息を呑むような超リアルな映像を創り出してくれます。しかし、それらはあくまで「データに潜む統計的なパターンの模倣」の域を出ていないのではないか、と私は感じています。映像の中のリンゴが木から落ちる時、現在の動画モデルは必ずしも「重力があるから落ちた」という物理概念を完全に内包しているわけではなく、「過去のデータにおいて、リンゴは下方向に移動するピクセルの連続として描かれることが多かったから」そのように描写している側面が強いのです。映像がリアルに見えることと、物理法則を一貫して予測できることは、実は全く同じではないのですね (AI Meta 2026)。

この「統計的模倣の壁」を突破し、AIに物理世界（Physical World）の法則と因果関係を獲得させ、環境とインタラクティブに相互作用できる自律型エージェントを生み出そうとする試みが、「基盤ワールドモデル（World Foundation Model）」や「Physical AI（物理AI）」と呼ばれる最先端の領域です。本稿では、AIがいかにして単なる「動画生成」の枠を超え、Metaの「V-JEPA 2.1」、Google DeepMindの「Genie 3」、NVIDIAの「Cosmos 3」、そしてWorld Labsの「Atlas」といった革新技術を通じて世界をシミュレートする力を獲得していくのか。そしてそれが未来の医療現場――自律型手術ロボットや、患者の疾患進行を予測するデジタルツイン――にどのようなパラダイムシフトをもたらすのかを、2026年9月現在の最新エビデンスに基づいて徹底的に解き明かしていきたいと思います。

なぜ「超リアルな動画生成」だけでは実用化できないのか？

パラパラ漫画の模倣から、介入可能な「世界」の構築へ

近年の高品質な動画生成モデルの進化には、本当に目を見張るものがあります。たった数行のプロンプト（テキスト指示）を入力するだけで、現実と見紛うほど精密で美しい映像が数秒で創り出されるようになりました。しかし、この素晴らしい技術を、医療、ロボット工学、あるいは自動運転といったシビアな現実世界の現場にそのまま持ち込もうとすると、ただ動画を「生成する」だけのAIでは致命的な限界にぶつかってしまいます。

それはなぜでしょうか。例えるなら、これまでの動画生成AIは、超絶技巧で描かれた「極めてリアルなパラパラ漫画」に過ぎないからです。見る分には美しいですが、私たちがその絵の中のリンゴに触ろうとしても、触ることはできません。映像の中で患者さんが倒れそうになっても、私たちが手を差し伸べて助ける（介入する）ことは不可能なのです。

私たちが現実世界の課題解決において真に求めているのは、単なる綺麗な映像の連続を眺めることではありません。「もし今、この患者さんに特定の薬剤を投与（介入・行動）したら、30分後の状態はどう変化するか」という、反実仮想（Counterfactual：もし〇〇していたらどうなるか）を含んだ未来予測です。この「介入」と「変化」のダイナミクスを理解して初めて、AIは医療現場で実用的な価値を持ちます。

World Labsが提唱する「3つの役割」：レンダラー・シミュレーター・プランナー

この動画生成と世界理解の決定的な違いについて、最先端のAI研究機関であるWorld Labsが2026年6月に提示した整理が非常に直感的でわかりやすいのでご紹介します (World Labs 2026)。彼らは、現在「ワールドモデル（世界モデル）」と一括りに呼ばれている複雑なシステムを、大きく以下の3つの役割に分けて定義しています。

• レンダラー（Renderer）: 現実的で多様な「観測（Observation）」を生成する役割。医療で言えば、内視鏡カメラが捉える臓器の表面のツヤや出血の様子、あるいはモニターに映る心電図の波形といった「目に見える映像・画像」を描画する機能です。
• シミュレーター（Simulator）: 世界の物理的・幾何学的な「状態（State）」を管理し、推移させる役割。見えない背後で「血管の弾力」や「血圧の変動メカニズム」といった物理・生理学的なルールを計算する、いわば世界の「物理エンジン」です。
• プランナー（Planner）: 目的を達成するための「行動（Action）」を出力する役割。出血を止めるために「どの角度でクリップをかけるべきか」、血圧を維持するために「どのタイミングで昇圧剤を入れるべきか」という意思決定を担います。

これらの関係性を視覚的に整理すると、AIの内部で以下のような情報のループが回っていることがわかります。

ピクセルの連続予測から、「状態」と「行動」のダイナミクスへの昇華

ワールドモデルの概念において、AIが学習すべきこの世界の仕組みは、現在の状態と行動が与えられたときに、次の状態がどうなるかを記述する「マルコフ決定過程（MDP: Markov Decision Process）」として数式化されます。

現在の状態を \( s_t \)、私たちが起こす行動を \( a_t \)、そして1ステップ先の未来の状態を \( s_{t+1} \) としたとき、未来への遷移は次のように表されます。

\[ s_{t+1} \sim \mathcal{P}(s_{t+1} \mid s_t, a_t) \]

ここで重要なのは、確率分布を表す \( \mathcal{P} \) の存在です。人間の身体も物理世界も、完全に予測することは不可能です。同じ量の薬（行動 \( a_t \)）を投与しても、患者さんの現在の状態（ \( s_t \)）のわずかな違いによって、未来（ \( s_{t+1} \)）は良くも悪くもなり得ます。ワールドモデルは、この「不確実性を伴う未来への分岐」を学習しているのです。

従来の動画生成AIは、この数式における「行動 \( a_t \)」の概念が極めて希薄でした。彼らは純粋に過去のピクセル情報（\( s_t \)）から次のピクセル情報（\( s_{t+1} \)）を推測する自己回帰モデルに近かったと言えます。そこには「医師が薬剤を投与したから」「外科医がメスを入れたから」という、誰かが介入したことによる世界の変化（因果関係）が存在しません。

しかし、真のワールドモデルは違います。環境の中に「エージェント（主体）」が存在し、そのエージェントが「どのような行動をとるか」によって、未来がいくつものパラレルワールドに分岐することを深く理解しています。例えば手術中に、メスを1ミリ深く入れるか、浅く入れるか。そのわずかな「行動」の違いで、組織の切れ方や出血量という未来は全く異なるものになりますよね。行動に条件付けられた状態遷移のダイナミクスをAIの内部に構築すること。これこそが、単なる映像生成を超え、AIが「世界を理解した」と言えるための絶対条件なのです。

基盤ワールドモデルを牽引する4つの革新的なアーキテクチャ

現在、世界のAI研究は「いかにして物理世界の構造を正確に捉え、行動と未来のダイナミクスを内部モデルとして獲得するか」という命題を巡り、凄まじい熱量で進化を続けています。かつての大規模言語モデル（LLM）がテキスト空間の規則性を制覇したように、いま私たちは、AIが物理世界そのものを理解するための基盤モデル――いわば「空間と物理の基盤モデル」の誕生を目撃しているのだと感じます。

一口にワールドモデルと言っても、その設計思想やアプローチは研究機関ごとに大きく異なります。2026年9月現在の最前線を見渡すと、世界の潮流は大きく4つの革新的なアプローチへと集約されてきました。それぞれの特徴とアプローチの違いを俯瞰できるように、まずは全体像を整理してみましょう。

アプローチ	代表的モデル	中心的な設計思想	主な特徴・技術要素	医療・臨床における応用期待
1. 潜在表現予測型	Meta V-JEPA 2.1	ピクセルを捨て、「意味」だけを抽象空間で予測する	二段階学習、Dense Predictive Loss、モデル予測制御（MPC）	生体モニタリングや術野映像からのノイズ除去と本質的病態変化の追跡
2. インタラクティブ世界生成型	Google DeepMind Genie 3	行動ラベルのない動画から操作性を発見し、対話型世界を即時生成する	潜在行動モデル（LAM）、リアルタイム描画（20〜24fps）、長時間整合性	過去の手術映像を活用したオンデマンドな対話型手技シミュレータ
3. 物理・全感覚統合型	NVIDIA Cosmos 3	物理シミュレータと生成AIを融合し、「見る・考える・動く」を統合する	Omnimodal MoT、Reasoner/Generator二層構造、Omniverse連携	力学的一貫性を担保した自律手術ロボットの動作学習と安全制御
4. 空間知能（3D幾何保持）型	World Labs Atlas	2Dピクセルを越え、世界の3D幾何構造（空間）をネイティブに保持する	3D Gaussian Splats、カメラ制御映像生成、Real-to-Sim	単眼内視鏡からの患部3D完全再構成と、術中自由視点ナビゲーション

どれもアプローチは異なりますが、根底にあるのは「AIを単なる受け身の観察者から、世界に働きかける能動的な知能へ進化させる」という共通の強い意志です。それぞれの具体的な仕組みと数理、そして医療現場へのインパクトを順番に紐解いていきましょう。

1. 潜在表現を予測する：Meta「V-JEPA 2からV-JEPA 2.1へ」

AIが動画から世界を学ぼうとする際、最大の障壁となるのが「無駄な情報（ノイズ）の圧倒的な多さ」です。私たちが車を運転しているときのことを思い出してください。私たちは前方の歩行者の動きや対向車の速度、信号の変化には極限まで集中しますが、道路脇の街路樹の葉が風でどのように揺れているか、水たまりの波紋がどう広がっているかまでは計算していませんよね。私たちの脳は、生存や運転の意思決定に必要な本質的情報だけを抽出し、それ以外の背景ノイズを高度に「抽象化」して捨て去っているのです。

ところが、従来の拡散モデルなどの画像・動画生成AIは、画面内のすべてのピクセルを忠実に復元しようとします。木の葉の揺れや照明の反射といった予測不可能な微細ノイズまでピクセル単位で正確に当てようとするため、膨大な計算資源を消費してしまい、肝心の「物体が衝突するかどうか」「重力でどちらへ倒れるか」という物理的意味の学習が疎かになっていました。これがいわゆる「ピクセル予測の呪縛」です。

この呪縛を打ち破るためにYann LeCun率いるMetaのチームが提唱し続けているのが、JEPA（Joint Embedding Predictive Architecture）という思想であり、それを動画へと拡張したのが「V-JEPA」シリーズです (Assran et al. 2025)。V-JEPAは、ピクセルそのものを予測・復元することを最初から諦めています。その代わりに、観測を抽象的な特徴量へと圧縮した「潜在表現（Latent Representation）」の空間において、未来に何が起きるかという「意味」だけを予測します。

特に2025年に登場した「V-JEPA 2」では、設計思想の面で極めて重要な二段階の学習フレームワークが確立されました (AI Meta 2025)。

• 第1段階（Actionless Pretraining）： 行動ラベルの付いていない100万時間以上の膨大な日常動画を用い、世界の受動的な視覚ダイナミクス（何がどう動くか）を自己教師あり学習で徹底的に学習する。
• 第2段階（Action-Conditioned Fine-Tuning: V-JEPA 2-AC）： DROIDデータセットなどに代表されるロボットのアーム操作ログ（約62時間未満という極めて少量の行動データ）を紐付け、「ある行動をとったときに潜在状態がどう遷移するか」を行動条件付きで適応させる。

これをロボット制御の観点から数式として整理してみましょう。時刻 \( t \) における環境の潜在状態を \( z_t \)、エージェントが実行する行動を \( a_t \)、そして追加の観測特徴を \( s_t \) と置きます。予測器（Predictor）であるニューラルネットワーク \( P_\phi \) は、次の時刻の潜在状態の予測値 \( \hat{z}_{t+1} \) を次のように出力します。

\[ \hat{z}_{t+1} = P_\phi(z_t, a_t, s_t) \]

そして学習時には、実際にその行動をとった結果として得られた次フレームの正解の潜在表現 \( z_{t+1} \) との間の誤差（L1ノルム）を最小化するように重み \( \phi \) を更新していきます。

\[ \mathcal{L} = \| \hat{z}_{t+1} – z_{t+1} \|_1 \]

さらに2026年3月に公開された「V-JEPA 2.1」では、この枠組みが一段と強化されました。空間的にきめ細かな特徴を捉えるDense Predictive Lossや、より深い層での自己教師あり学習（Deep Self-Supervision）、画像・動画を統一的に扱うマルチモーダルトークナイザーが導入されたのです。これにより、実ロボットを用いた物体把持（Grasping）タスクにおいて、従来のV-JEPA 2-ACと比較して成功率が約20ポイントも向上したと報告されています (Mur-Labadia et al. 2026)。

特筆すべきは、このモデルが「モデル予測制御（MPC: Model Predictive Control）」と直結している点です。ロボットは行動を起こす前に、頭の中（潜在空間）で複数の行動候補を何手先までシミュレーション（Rollout）します。そして、目標とするゴール状態の埋め込みベクトルに最も近づく行動系列を選択し、外界と相互作用しながら毎秒数十回という頻度で計画を再修正（Re-planning）していくのです。

このアプローチは、医療現場におけるAI応用にも極めて示唆的です。例えばICUの患者モニタリングにおいて、シーツの細かなシワや部屋の照明変化といったピクセルノイズを無視し、「呼吸努力の悪化」や「不随意運動の発生」といった本質的な臨床特徴の潜在ダイナミクスだけを堅牢に追跡・予測することが可能になります。また、内視鏡手術の術野においても、レンズに付着した水滴や血液の飛沫に惑わされることなく、奥にある血管の拍動や組織の牽引状態を正確に捉え続けるための強固な基盤技術となり得ます。

2. 操作可能な世界をその場で生成する：Google DeepMind「Genie 1からGenie 3へ」

V-JEPAがノイズを削ぎ落として「意味」を追究する一方で、まったく異なる角度からワールドモデルの壁に挑んだのがGoogle DeepMindです。彼らが直面した最大の壁は、「行動（Action）の正解ラベルをどうやって集めるか」という点でした。ロボットの関節モーターの角度データなどを集めるには膨大なコストがかかります。一方で、YouTubeなどWeb上にある無数の動画には、料理の手際やスポーツの動作、ゲームのプレイ画面といった人間の豊かな活動が記録されていますが、そこには「どの筋肉をどう動かしたか」「どのコントローラーのキーを押したか」という行動ラベルは一切含まれていません。

この絶望的な制約を逆手に取り、「ラベルがないなら、動画の変化から行動そのものをAIに逆算させればよい」という驚くべき発想で突破口を開いたのが「Genie」シリーズの歴史です。

Genieシリーズの進化の歩みは、そのままインタラクティブ・ワールドモデルの歴史と言っても過言ではありません。

• Genie 1（潜在行動の自己教師あり発見）： 2024年に発表された初代モデルは、時空間ビデオトークナイザ、ダイナミクスモデル、そして潜在行動モデル（LAM: Latent Action Model）の3つのコンポーネントで構成されていました。ラベルのない2Dゲーム動画の連続する2コマを比較させ、「状態Aから状態Bへと移行した背後には、何らかの離散的な行動があったはずだ」と推論させることで、AI自身に行動の辞書（Action Tokens）を自律的に獲得させました (Bruce et al. 2024)。
• Genie 2（自己回帰型拡散モデルへの昇華）： 2025年に登場したGenie 2では、アーキテクチャがAutoregressive Latent Diffusion Modelへと刷新されました。これにより、ユーザーが与えたプロンプトから生成された世界の中で、キー入力などの明示的な行動条件（Action conditioning）を与えてキャラクターや視点を自在に動かせる基盤が確立されました (Google DeepMind 2025a)。
• Genie 3（リアルタイム性と長時間の整合性）： そして現在、最前線にあるGenie 3が達成した最大のブレークスルーは、「リアルタイム性」と「数分間に及ぶ物理的一貫性の維持」です。テキストプロンプトから720pの高解像度な世界を一瞬で立ち上げ、ユーザーの入力に対して毎秒約20〜24フレームのリアルタイム速度で応答しながら、画面から見えなくなった物体の位置関係（物体の永続性）などを数分間破綻させずに維持し続けることが可能になりました (Google DeepMind 2025b)。

観察動画から世界の制御メカニズムをリバースエンジニアリングし、それを即座にプレイ可能な世界として立ち上げるこの技術は、医療教育の現場を一変させるポテンシャルを持っています。これまで若手外科医の手術シミュレータといえば、専用の物理エンジンをプログラミングした数千万円もする高額な専用機器が必要でした。しかしGenieの発展形を用いれば、熟練医の過去の手術記録ビデオを学習させるだけで、AIが「組織の変形」や「出血の挙動」を内部モデル化し、研修医の操作入力（メスを入れる、鉗子で引く）に応じてリアルタイムに応答する「オンデマンドな仮想術野」をWebブラウザ上で無限に生成できるようになる日が現実味を帯びてきています。

3. 「見る・考える・未来を生成する・行動する」を統合する：NVIDIA「Cosmos 3」

V-JEPAが潜在空間での推論を極め、Genieが直感的なインタラクティブ生成を切り拓く一方で、産業界や医療ロボティクスが最も切望しているのは「現実の物理法則に厳密に根ざした安全性」です。いくら映像がリアルで操作できても、AIの頭の中でメスが血管をすり抜けたり、骨があり得ない方向に曲がったりするようなハルシネーション（物理的破綻）が起これば、人命を預かる医療現場では使えません。

ここで、よくある技術的な混同について触れておく必要があります。AIに物理法則を守らせるアプローチとして、数年前に脚光を浴びたのが「PINNs（Physics-Informed Neural Networks）」です。これは、ニューラルネットワークの損失関数の中にナビエ・ストークス方程式などの偏微分方程式を直接組み込み、物理法則に違反した出力に対してペナルティを与えることで、AIの重み自体に物理学をハードコーディングする手法です (Raissi et al. 2019)。

しかし、NVIDIAが展開する基盤ワールドモデル「Cosmos」のアプローチは、PINNsとは根本的に異なります。NVIDIAは、物理法則の厳密な計算をニューラルネット内部で無理に解かせるのではなく、長年培ってきた「Omniverse」などの決定論的な物理シミュレータに任せるという役割分担を選択しました (NVIDIA Docs 2026)。物理エンジンが衝突判定や流体力学、関節トルクの計算といった「構造的に狂いのない世界の骨格（Ground Truth）」を担保し、Cosmosはそのデータを入力として、現実世界と見分けがつかないリッチで多様な観測映像（フォトリアルな視覚データ）へと変換・拡張する役割を担います。

そして2026年5月31日、NVIDIAはこの思想をさらに推し進めた「Cosmos 3」を発表しました (NVIDIA et al. 2026)。Cosmos 3は、テキスト、画像、動画、音声、そしてロボットの「行動」までも同一のMixture-of-Transformers（MoT）アーキテクチャで処理するOmnimodal（全感覚統合型）のワールドモデルです。Cosmos 3の内部は、大きく2つのタワー（機能群）が緊密に連携する構造になっています (NVIDIA Developer 2026)。

• Reasonerタワー（推論系）： 長大な時空間コンテキストを保持し、2D・3Dの空間ローカライゼーションや物理的因果関係の解釈、タスク計画を立案する。
• Generatorタワー（生成系）： Reasonerの解釈に基づき、未来の観測フレームや、ロボットが実行すべき高精度なアクション軌道を生成する。

「見る（観測）」「考える（推論）」「未来を想像する（シミュレーション）」「動く（行動生成）」という一連の認知ループが、単一のモデルファミリーの中で閉ループとして統合されている点が画期的です。これにより、手術支援ロボット（da Vinciなど）の自律化研究において、組織の把持や縫合といった繊細なタスクを、Omniverse上の安全な仮想環境で何百万回も試行錯誤させ、現実のロボットへと安全に知識を転送（Sim-to-Real）するパイプラインが強固に確立されつつあります。

4. ピクセルから「空間」へ：World Labs「Atlas」と空間知能

そして2026年9月1日、つい4日前にWorld Labsが発表した「Atlas」は、ワールドモデルの議論に決定的なパラダイムシフトをもたらしました (World Labs Team 2026)。

従来のワールドモデル（Genie 3などを含む）の多くは、どれほど美しくインタラクティブであっても、本質的には「画面の手前に向かってピクセルを逐次生成していくスクリーンベース（2D視覚）のモデル」でした。しかし、私たちが生きる現実世界は、奥行きと体積を持った連続的な「3D空間」です。カメラが右に回り込めば、今まで隠れていた物体の裏側が見えなければなりませんし、視点を動かしても空間内の物体の絶対的な位置関係が狂っては困ります。

Atlasは、テキストや1枚の画像、あるいは短い動画を入力されると、それを単なる平面的な映像として処理するのではなく、背後にある世界の「3D幾何構造（空間の広がりとジオメトリ）」をネイティブに推定し、潜在的な空間コンテキストとして内部に保持します。Atlasの主な特徴は以下の通りです。

• マルチモーダル自己回帰拡散トランスフォーマー： テキスト、画像、動画、そして3D表現をネイティブに統合処理する。
• 完全な3D空間出力： カメラアングルを自由に動かせる最大1分間・1440pの高精細映像だけでなく、3D点群（Point Clouds）、メッシュ、さらにはリアルタイム描画に適した3D Gaussian Splatting（3DGS）のシーン表現を直接出力できる。
• Real-to-Simの即時実行： 現実世界をスマートフォン等でさっと撮影した動画から、ロボットが実際にナビゲーションや物理インタラクションを行える3Dシミュレーション環境を瞬時に構築する。

Genie 3が「その場で見える世界をリアルタイムに紡ぎ出す力」に長けているとすれば、Atlasは「世界の空間的骨格そのものを脳内に保持し、どの角度からでも正確に世界を見通す力」に長けています。これこそが、スタンフォード大学のフェイフェイ・リーらが提唱してきた「空間知能（Spatial Intelligence）」の具現化です。

この空間知能の登場は、外科医療にとってまさに待ち望まれていたブレークスルーと言えます。従来の内視鏡手術では、術者はモニターに映る2次元の映像だけを頼りに、頭の中で患部の3次元構造を立体パズルのように組み立てながら執刀していました。Atlasのような技術が内視鏡システムに組み込まれれば、単眼の通常カメラで撮影された術野映像から、リアルタイムに患部全体の精密な3D Gaussian Splatsが再構成されます。執刀医は手元のコンソール上で視点を自由に回転させ、血管がどの深さを走行しているのか、腫瘍の裏側に重要な神経がどう張り付いているのかを、死角のない完全な「空間」として把握しながら手術を進めることが可能になるのです。

そして、ワールドモデルから「Physical AI」という包括的体系へ

ここまで、世界を予測しシミュレートする「ワールドモデル」の驚異的な進化について詳しくお話ししてきました。しかし、昨今のテクノロジーニュースを見ていると「Physical AI（物理AI）」という言葉も頻繁に耳にしますよね。この二つ、同じような文脈で語られることが多いのですが、実は必ずしも同義ではありません。

結論から言うと、「Physical AI」はワールドモデルよりもはるかに広い概念です。AIが現実の物理世界（Physical World）で知的に動き、課題を解決するための「包括的なシステム全体」を指す言葉なのです。基盤ワールドモデルはその中で極めて重要な役割を果たしますが、あくまで全体を構成する「未来予測シミュレーター（あるいは想像力を司る脳の一部）」という一つのコンポーネントに過ぎません。

私たちが自転車に乗るとき、頭の中で「こう体重をかければ倒れないはずだ」と予測する働き（これがワールドモデルですね）だけでなく、実際に筋肉を動かす運動神経、目から入る映像を瞬時に処理する視覚野、さらには「安全に目的地へ行こう」という長期的な意志など、さまざまな機能が連動しています。AIの世界でも同じように、Physical AIを実現するためには、ワールドモデルの他にも以下のような多彩な機能モデルが必要不可欠となります。

• VLM（Vision-Language Model: 視覚言語モデル）：カメラから入る映像を解析し、「これは点滴のスタンドだ」「これは手術用メスだ」と認識し、人間の言葉と結びつける機能。
• VLA（Vision-Language-Action Model）：「あのメスを取って」という音声指示（言語）と、目の前の映像（視覚）を直結させ、ロボットアームのモーターをどう動かすかという「行動（Action）」を直接出力する方針（ポリシー）モデル。
• 物理シミュレーター：Omniverseなどに代表される、重力や摩擦といった不変の物理法則を厳密に計算し、AIを安全に訓練するための仮想空間。

クラウドでの深い推論とエッジでの俊敏な制御：Google DeepMind「Gemini Robotics 2」

この「複数のAIモデルが連携してPhysical AIを構成する」という潮流を象徴しているのが、2026年7月30日にGoogle DeepMindが発表した「Gemini Robotics 2」です (Google DeepMind 2026)。このプラットフォームは、単一の巨大な万能AIを作るのではなく、役割の異なる複数のモデルが協力するアーキテクチャを採用しています。

例えば、その中核をなす「ER 2（Embodied Reasoning 2）」は、クラウド上の巨大な計算資源を使って、物理空間に関する高度な推論と、複数ステップにわたる長期的な計画（プランニング）を立てる役割を担います。一方で、ロボットの機体内でローカルに動く「On-Device 2」と呼ばれるVLAモデルは、ネットワークの遅延を待つことなく、目の前に突然人が飛び出してきたときなどに、数ミリ秒単位の俊敏な反射神経でモーターを安全に制御します。

「どうすれば手術室の機材を最も効率的に準備できるか」をじっくり深く考えるのはER 2の仕事であり、実際にメスを落とさないように絶妙な力加減で掴むのはOn-Device 2の仕事、というわけですね。

映像生成の枠を越える汎用基盤：Runway「GWM-1」

また、これまで動画生成AIのトップランナーとして知られていたRunway社も、2025年12月に「GWM-1（General World Model）」を発表し、世界中を驚かせました (Runway 2025)。

彼らはもはや「綺麗な映像を創る」ことだけを目指してはいません。GWM-1は、映像生成やアバター生成にとどまらず、「GWM Robotics」というロボティクス制御への応用を明確に打ち出しています。ワールドモデルとしてのGWM-1は、ロボットのカメラ映像から「次にどんな行動をとるべきか」を予測したり、あるいはロボットの制御AI（ポリシーモデル）が方策を学習する際に、「もしその行動をとったらどうなるか」を頭の中でシミュレーション（方策のロールアウト評価）するための仮想環境として機能します。

医療現場で躍動するPhysical AIの未来

こうしたPhysical AIの包括的な進化は、医療現場の働き方を根本から変えるポテンシャルを秘めています。なぜなら、医療現場は重いものを運ぶといった物理的な作業と、状態変化を予測するという高度な認知作業が複雑に絡み合う、究極の現場だからです。

例えば、将来の病棟で稼働する「自律型看護アシスタントロボット」を想像してみてください。このロボットは、VLMを使って「あそこのベッドの患者さんが起き上がろうとしている」ことを認識します。次にワールドモデルが「このままでは数秒後にバランスを崩して転倒してしまう可能性が高い」と危険な未来を予測（シミュレーション）します。そしてER 2のような推論モデルが「急いで支えに行きながら、ナースコールを鳴らす」という計画を立て、最後にOn-Device 2のようなVLAモデルが、実際に患者さんを優しく、かつ力強く支え止める行動を実行します。

このように、基盤ワールドモデルは、他の高度なAIモデルたちと組み合わさることで初めて、現実世界で人を助けるPhysical AIとなります。ワールドモデルは、Physical AIという巨大なシステムに「想像力」と「因果の理解」を与える、最も強力で欠かせない構成要素の一つとして位置づけられるのです。

医療への実装：基盤ワールドモデルがもたらす臨床的パラダイムシフト

これまで見てきたような「ノイズからの意味の抽出」「行動ラベルのないデータからの潜在行動の推論」、そして「2Dから3D空間の理解」といったAIの進化は、私たちの医療現場にどのような変革をもたらすのでしょうか。日々の臨床に立つ私たちにとって、AIはもはや単なる「画像の中に腫瘍があるかどうか」を判別する画像診断のサポート役にとどまりません。最新の基盤モデルは、医師と共に治療計画を立案し、未来をシミュレーションして自律的に行動する「パートナー」へと劇的な進化を遂げつつあります (Moor et al. 2023)。

ここでは、最先端のワールドモデルやPhysical AIが、実際の医療現場――特に高度な物理的接触を伴う外科手術と、時間単位での状態変化が起こる集中治療室（ICU）――において、どのように実装されていくのかを具体的に見ていきましょう。

1. 外科医の「直感と物理感覚」を模倣する自律型手術ロボット

外科手術は、Physical AIにとって究極とも言える応用領域です。熟練した外科医の頭の中を想像してみてください。「この軟部組織をこの角度で、これくらいの力で牽引すれば、裏側に隠れている動脈がどのように露出するか」という物理的な変形を、メスを入れる前に脳内で正確にシミュレーションしていますよね。臓器の弾力、組織の脆さ、電気メスによる熱収縮といった、教科書には書ききれないこの「暗黙知」こそが、外科医が長年の修練で獲得した強固な身体的ワールドモデルです。

驚くべきことに、現在のAI研究レベルでは、このワールドモデルを用いた手術動作の学習とシミュレーションがすでに始まっています。2026年8月に発表されたばかりの「Surgical WAM（World-Action Model）」の研究は、まさにその最前線を示すものです。この研究では、NVIDIAのCosmosなどに似たアーキテクチャをベースに、行動ラベル（医師がどう手を動かしたかの正解データ）が一切ない数多くの内視鏡手術動画を読み込ませ、AIに「臓器がどう動くか」という視覚的なダイナミクスを事前学習させました。その後、少量のラベル付きデータで微調整（ファインチューニング）を行った結果、シミュレーション上の複雑な手術課題において、平均成功率が63.5%から77.8%へと大幅に向上したことが報告されています (Bao et al. 2026)。

AIが過去の膨大な手術動画から、「名医の器具の動かし方（行動）」と「臓器の反応（状態遷移）」の因果関係を自ら抽出し、頭の中のシミュレータで何万回もテストしてから実際のロボットアームを動かす。これがSurgical WAMの仕組みです。

しかしながら、臨床応用に向けては極めて慎重にならざるを得ない現実もあります。人間の軟部組織（Soft-tissue）は、骨などの硬組織と異なり、呼吸や心拍によって常に変形し、患者ごとに硬さも癒着の程度も異なります。そのため、『Nature Reviews Urology』誌の2026年のレビュー論文でも指摘されている通り、軟部組織手術における高度な自律化は、2026年時点でも依然として動物モデルや摘出臓器（ex vivo）を用いた前臨床段階にとどまっています (Cella et al. 2026)。

AIが手術のすべてを全自動で行う日はまだ遠いでしょう。しかし、執刀医が誤って血管を傷つけそうになったとき、ワールドモデルが瞬時に「もしこのまま進めば大出血が起こる」と未来を予測し、安全な回避ルートを提案したり、一時的にロボットアームにロックをかけたりする「協働型」の未来は、決してSFではなく、すぐそこまで来ているはずです。

2. 未来を「試算」する究極の姿：患者デジタルツイン

一方で、物理的な切開を伴わない内科的な意思決定の場、特に集中治療室（ICU）の患者さんは、時々刻々と状態が変化する極めて動的で複雑なシステムです。例えば敗血症性ショックの患者さんを前に、当直医は「今、昇圧剤（ノルアドレナリン）の投与量を増やすべきか、それともさらに細胞外液を追加すべきか」という、取り返しのつかない厳しい選択に常に迫られます。

こうした極限状態において、医療用ワールドモデルの究極的な具現化となるのが「患者デジタルツイン（Patient Digital Twin）」です。これは、電子カルテにある年齢や既往歴、過去数日間の持続バイタルサインの波形、さらにはV-JEPAのように抽象化された患者の顔色や呼吸パターンの映像データをすべて統合し、AIの内部に「仮想の患者モデル」をそっくりそのまま構築するアプローチです。

もし医師がAIのコンソールに向かって、「今、この薬剤を〇〇mg投与する（行動を起こす）と、30分後の血圧や意識レベルはどうなるか？」と問いかけたとします。ワールドモデルは、過去の膨大な臨床データと生理学的な因果ダイナミクスに基づき、「血圧が目標値まで安定する可能性が70%、一方で急激な後負荷の増大により肺水腫を併発するリスクが30%考えられます」といった具合に（あくまで概念的な出力例ですが）、複数の未来の軌道（Trajectory）を提示してくれるようになるでしょう。医師の認知的負荷を下げる「思考のサンドボックス（砂場）」としての役割が期待されています。

ただし、近年バズワード化している「デジタルツイン」という言葉には注意が必要です。現状の研究には、理想と現実にまだ大きなギャップが存在します。2025年の『npj Digital Medicine』誌に掲載されたスコーピングレビューでは、ヘルスケア分野における149の医療デジタルツイン研究を精査した結果が報告されています。驚くべきことに、真の意味で「個別化され（Personalized）、動的に更新され（Dynamically updated）、予測能力を持つ（Predictive）」という全米アカデミーズ（NASEM）の厳格な要件をすべて満たしていた研究は、全体のわずか12%（18研究）に過ぎませんでした (Tudor et al. 2025)。

多くの研究は、単なる静的な予測モデルや過去のデータの可視化にとどまっており、「行動に条件付けられた未来のシミュレーション」を動的に行える真のデジタルツインはごく一握りです。本格的な臨床応用に向け、複数の病院のシステム間でリアルタイムにデータを統合し、モデルの予測精度と因果的な妥当性を証明するためには、私たちが超えなければならない技術的・制度的な山がまだ高くそびえ立っているのが実情です。

未来への展望と、立ちはだかる「因果推論」と「安全」の壁

これまで見てきたように、AIが世界のダイナミクスを理解し、頭の中でシミュレーションを行えるようになったことは、人類にとって素晴らしい進歩です。しかし、この基盤ワールドモデルを、一歩間違えれば命に関わる「医療現場」というハイリスクな領域に実装するためには、厳格に乗り越えなければならない壁が存在します。特に技術的・倫理的に重要となるのが、以下の2つの大きな課題です。

1. 予測の不確実性のキャリブレーション（校正）とOODへの対応

第一の壁は、AIが提示する未来予測が「どれくらい信じられるのか」という確実性の評価です。例えば、天気予報で「降水確率80%」と言われれば、私たちは「10回中8回は雨が降るだろう」と直感的に理解し、傘を持っていきます。この予測と現実の確率が一致している状態を「キャリブレーション（校正）が取れている」と言います。

医療ワールドモデルにおいても同様に、AIが「この手術アプローチなら90%安全です」と予測した場合、それが本当に90%の確率で安全でなければなりません。万が一予測が外れた場合、それがAIの単なる「もっともらしい幻覚（ハルシネーション）」だったのか、それとも「確率的に10%の確率で起こり得る稀な生理学的な急変シナリオ」だったのかを、最終決定権を持つ人間（医師）が正しく解釈できる仕組みづくり（Human-in-the-Loop）が不可欠です。

また、AIの学習データに含まれていないような未知の症例、例えば極めて稀な解剖学的異常を持つ患者さん（OOD: Out-of-Distribution、分布外データ）に直面したときのリスク管理も重要です。現在のAIは「分からないものを、分かったふりをして出力してしまう」傾向があります。未知の状況に遭遇した際に、AIが自身の「無知」を正しく自己認識し、動作を停止して安全側に倒れるフェイルセーフ設計が絶対に求められます。

2. 最大の障壁「因果推論（Causal Validity）」

医療におけるワールドモデル特有の最大の壁、それが「因果推論（Causal Inference）」の妥当性です。観察データだけを無批判に学習したAIは、往々にして致命的な勘違いを犯します。

例えば、ICU（集中治療室）の電子カルテデータを単純な機械学習モデルに読み込ませると、AIは高確率で「ノルアドレナリン（強力な昇圧剤）の投与量が多い患者ほど、死亡率が高い」という強い相関関係を見つけ出します。ここからAIのプランナーが「患者の死亡率を下げるためには、ノルアドレナリンの投与を今すぐやめるべきだ」と提案してきたらどうなるでしょうか。これは医学的に完全に誤りです。実際には「患者が重症なショック状態にある（交絡因子）」から「ノルアドレナリンが大量に投与」されているだけであり、薬が原因で死亡しているわけではありません。

ここで必要になるのが、「観察（Observation）」と「介入（Intervention）」を明確に区別する数理です。これまでの多くのAIが学習していたのは、ある状態と行動が同時に観測されたときに何が起きるかという、単なる条件付き確率でした。

\[ \mathcal{P}(s_{t+1} \mid s_t, a_t) \]

しかし、私たちが医療現場での治療計画において真に知りたいのは、ジューディア・パール（Judea Pearl）らが提唱した「do演算子」に代表されるような、自らの意志で特定の治療を「介入（do）」したときに世界がどう変化するかという、真の因果関係です (Pearl 2009)。

\[ \mathcal{P}(s_{t+1} \mid s_t, \text{do}(a_t)) \]

「この薬を投与された患者はこうなった」という観察結果と、「この患者に今、この薬を介入したらどうなるか」は全く異なります。時間依存性交絡などを適切に処理する因果推論の手法を、ワールドモデルのアーキテクチャの根幹に組み込むことが、医療における安全性担保の絶対条件となります (Richens et al. 2020)。

まとめ：ピクセルの向こう側へ進むAIと、次世代の医療

本稿では、見ているだけのAIがいかにして物理世界に触れ、因果に迫り、未来をシミュレートしようとしているのか、その最前線を見てきました。

ピクセルの予測を捨てて「意味」を抽出するMetaのV-JEPA 2.1、行動ラベルのない観察動画から潜在行動を逆算してインタラクティブな世界を立ち上げるGoogle DeepMindのGenie 3、決定論的な物理シミュレータと生成系AIを融合させて推論と行動を統合したNVIDIAのCosmos 3、そして、平面の画像を越えて3D空間の幾何構造をネイティブに捉えるWorld LabsのAtlas。これらの革新的な技術はすべて、AIに「ワールドモデル」と「空間知能」を獲得させるための壮大な挑戦です。

もちろん、先ほど触れたような不確実性のキャリブレーションや、真の因果推論の獲得など、医療現場への実装に向けた課題はまだ山積しています。患者デジタルツインや完全自律型の手術ロボットが明日すぐに実用化されるわけではありません。

しかし、ピクセルの向こう側にある「意味」と「空間」、そして「因果」を捉え始めたAIの歩みは、もう後戻りすることはありません。基盤ワールドモデルは、見えない病の進行を事前に可視化し、頭の中のシミュレータで無数の未来を試算することで、医師の直感と技術を極限まで拡張する頼もしいパートナーへと確実に成長していきます。AIと人間が協働して未来の医療を切り拓く日は、私たちが想像しているよりも早く訪れるのかもしれません。

参考文献

• AI Meta (2025) ‘V-JEPA: A self-supervised approach to video representation learning’, AI Meta Research Blog.
• Assran, M. et al. (2025) ‘V-JEPA 2: Advancing Action-Conditioned Video Representation’, arXiv, preprint.
• Bao, J. et al. (2026) ‘Surgical WAM: A World-Action Model for Data-Efficient Surgical Robot Learning’, arXiv, preprint.[cite: 1]
• Bruce, J. et al. (2024) ‘Genie: Generative Interactive Environments’, arXiv, preprint.[cite: 1]
• Cella, A. et al. (2026) ‘The future of robotic surgery in the age of artificial intelligence’, Nature Reviews Urology, 23(4), pp. 211-225.[cite: 1]
• Google DeepMind (2025a) ‘Genie 2: Action-Conditioned Generative Environments’, DeepMind Research.[cite: 1]
• Google DeepMind (2025b) ‘Genie 3: Real-Time Interactive World Generation’, DeepMind Research.[cite: 1]
• Google DeepMind (2026) ‘Gemini Robotics 2: Embodied Reasoning and On-Device Policies’, DeepMind Research.[cite: 1]
• Ha, D. and Schmidhuber, J. (2018) ‘World Models’, arXiv, preprint.[cite: 1]
• Moor, M. et al. (2023) ‘Foundation models for generalist medical artificial intelligence’, Nature, 616(7956), pp. 259–265.[cite: 1]
• Mur-Labadia, L. et al. (2026) ‘V-JEPA 2.1: Multimodal Tokenization and Deep Self-Supervision for Robust Representation’, arXiv, preprint.[cite: 1]
• NVIDIA Developer (2026) ‘Introducing Cosmos 3: The Architecture of Omnimodal World Models’, NVIDIA Developer Blog.[cite: 1]
• NVIDIA Docs (2026) ‘NVIDIA Cosmos Documentation: Grounding Generative Models with Omniverse’, NVIDIA.[cite: 1]
• NVIDIA et al. (2026) ‘Cosmos 3: Omnimodal World Models for Physical AI’, arXiv, preprint.[cite: 1]
• Pearl, J. (2009) Causality: Models, Reasoning, and Inference. 2nd ed. Cambridge: Cambridge University Press.[cite: 1]
• Raissi, M. et al. (2019) ‘Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations’, Journal of Computational Physics, 378, pp. 686-707.[cite: 1]
• Richens, S.R. et al. (2020) ‘Improving the accuracy of medical diagnosis with causal machine learning’, Nature Communications, 11(1), 3923.[cite: 1]
• Runway (2025) ‘GWM-1: A General World Model for Video and Robotics’, Runway Research.[cite: 1]
• Tudor, A. et al. (2025) ‘Human Digital Twins: A scoping review of definitions and implementations’, npj Digital Medicine, 8, Article 112.[cite: 1]
• World Labs (2026a) ‘Defining the World Model: Renderer, Simulator, and Planner’, World Labs Research.[cite: 1]
• World Labs Team (2026b) ‘Atlas: A World Model for Spatial Intelligence’, World Labs.[cite: 1]

※本記事は情報提供を目的としたものであり、特定の治療法や未承認の技術の臨床応用を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。

---

ご利用規約（免責事項）

当サイト（以下「本サイト」といいます）をご利用になる前に、本ご利用規約（以下「本規約」といいます）をよくお読みください。本サイトを利用された時点で、利用者は本規約の全ての条項に同意したものとみなします。

第1条（目的と情報の性質）

1. 本サイトは、医療分野におけるAI技術に関する一般的な情報提供および技術的な学習機会の提供を唯一の目的とします。
2. 本サイトで提供されるすべてのコンテンツ（文章、図表、コード、データセットの紹介等を含みますが、これらに限定されません）は、一般的な学習参考用であり、いかなる場合も医学的な助言、診断、治療、またはこれらに準ずる行為（以下「医行為等」といいます）を提供するものではありません。
3. 本サイトのコンテンツは、特定の製品、技術、または治療法の有効性、安全性を保証、推奨、または広告・販売促進するものではありません。紹介する技術には研究開発段階のものが含まれており、その臨床応用には、さらなる研究と国内外の規制当局による正式な承認が別途必要です。
4. 本サイトは、情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。

第2条（法令等の遵守）
利用者は、本サイトの利用にあたり、医師法、医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律（薬機法）、個人情報の保護に関する法律、医療法、医療広告ガイドライン、その他関連する国内外の全ての法令、条例、規則、および各省庁・学会等が定める最新のガイドライン等を、自らの責任において遵守するものとします。これらの適用判断についても、利用者が自ら関係各所に確認するものとし、本サイトは一切の責任を負いません。

第3条（医療行為における責任）

1. 本サイトで紹介するAI技術・手法は、あくまで研究段階の技術的解説であり、実際の臨床現場での診断・治療を代替、補助、または推奨するものでは一切ありません。
2. 医行為等に関する最終的な判断、決定、およびそれに伴う一切の責任は、必ず法律上その資格を認められた医療専門家（医師、歯科医師等）が負うものとします。AIによる出力を、資格を有する専門家による独立した検証および判断を経ずに利用することを固く禁じます。
3. 本サイトの情報に基づくいかなる行為によって利用者または第三者に損害が生じた場合も、本サイト運営者は一切の責任を負いません。実際の臨床判断に際しては、必ず担当の医療専門家にご相談ください。本サイトの利用によって、利用者と本サイト運営者の間に、医師と患者の関係、またはその他いかなる専門的な関係も成立するものではありません。

第4条（情報の正確性・完全性・有用性）

1. 本サイトは、掲載する情報（数値、事例、ソースコード、ライブラリのバージョン等）の正確性、完全性、網羅性、有用性、特定目的への適合性、その他一切の事項について、何ら保証するものではありません。
2. 掲載情報は執筆時点のものであり、予告なく変更または削除されることがあります。また、技術の進展、ライブラリの更新等により、情報は古くなる可能性があります。利用者は、必ず自身で公式ドキュメント等の最新情報を確認し、自らの責任で情報を利用するものとします。

第5条（AI生成コンテンツに関する注意事項）
本サイトのコンテンツには、AIによる提案を基に作成された部分が含まれる場合がありますが、公開にあたっては人間による監修・編集を経ています。利用者が生成AI等を用いる際は、ハルシネーション（事実に基づかない情報の生成）やバイアスのリスクが内在することを十分に理解し、その出力を鵜呑みにすることなく、必ず専門家による検証を行うものとします。

第6条（知的財産権）

1. 本サイトを構成するすべてのコンテンツに関する著作権、商標権、その他一切の知的財産権は、本サイト運営者または正当な権利を有する第三者に帰属します。
2. 本サイトのコンテンツを引用、転載、複製、改変、その他の二次利用を行う場合は、著作権法その他関連法規を遵守し、必ず出典を明記するとともに、権利者の許諾を得るなど、適切な手続きを自らの責任で行うものとします。

第7条（プライバシー・倫理）
本サイトで紹介または言及されるデータセット等を利用する場合、利用者は当該データセットに付随するライセンス条件および研究倫理指針を厳格に遵守し、個人情報の匿名化や同意取得の確認など、適用される法規制に基づき必要とされるすべての措置を、自らの責任において講じるものとします。

第8条（利用環境）
本サイトで紹介するソースコードやライブラリは、執筆時点で特定のバージョンおよび実行環境（OS、ハードウェア、依存パッケージ等）を前提としています。利用者の環境における動作を保証するものではなく、互換性の問題等に起因するいかなる不利益・損害についても、本サイト運営者は責任を負いません。

第9条（免責事項）

1. 本サイト運営者は、利用者が本サイトを利用したこと、または利用できなかったことによって生じる一切の損害（直接損害、間接損害、付随的損害、特別損害、懲罰的損害、逸失利益、データの消失、プログラムの毀損等を含みますが、これらに限定されません）について、その原因の如何を問わず、一切の法的責任を負わないものとします。
2. 本サイトの利用は、学習および研究目的に限定されるものとし、それ以外の目的での利用はご遠慮ください。
3. 本サイトの利用に関連して、利用者と第三者との間で紛争が生じた場合、利用者は自らの費用と責任においてこれを解決するものとし、本サイト運営者に一切の迷惑または損害を与えないものとします。
4. 本サイト運営者は、いつでも予告なく本サイトの運営を中断、中止、または内容を変更できるものとし、これによって利用者に生じたいかなる損害についても責任を負いません。

第10条（規約の変更）
本サイト運営者は、必要と判断した場合、利用者の承諾を得ることなく、いつでも本規約を変更することができます。変更後の規約は、本サイト上に掲載された時点で効力を生じるものとし、利用者は変更後の規約に拘束されるものとします。

第11条（準拠法および合意管轄）
本規約の解釈にあたっては、日本法を準拠法とします。本サイトの利用および本規約に関連して生じる一切の紛争については、東京地方裁判所を第一審の専属的合意管轄裁判所とします。

---

For J³, may joy follow you.