PhiZero：物理言語で世界モデルを再設計する試み

導入

世界モデルの研究では、単にもっと自然な動画を生成するだけでなく、「次に何が起きるか」を物理的に一貫した形で予測できるかが重要になります。PhiZero: A World Model Built Around Physical Language は、この課題に対して、未来の映像をそのまま画素として予測するのではなく、「物理言語」と呼ばれる中間表現を導入するアプローチを示しています。

PhiZero の基本方針は、まず世界の変化を推論し、その結果を映像としてレンダリングすることです。論文ではこの流れを reason-then-render と位置づけています。

主要ポイント

• 画素から状態遷移へ：従来の物理世界モデルでは、未来の動画を直接予測することが多く、物理的な力学は高次元の視覚予測器の内部に埋もれていました。PhiZero は、世界状態の変化をよりコンパクトな離散表現として扱います。
• 物理言語は人間の文章ではない：ここでいう「言語」は、自然言語の説明文ではなく、動画中の物理的変化を整理するために学習された表現です。論文によれば、この表現は野外動画から自己教師ありで獲得されます。
• 推論と描画を分離：PhiZero は、未来の視覚結果を直接出すのではなく、まず物理言語の系列を生成し、それを動画へ変換します。これにより、世界がどのように進むかという部分がより明示的になります。
• 生成と理解の両面を対象にする：論文概要では、生成・理解ベンチマークで物理的に一貫した世界変化のモデリング能力を検証したとされています。また、リアルでインタラクティブな世界モデリング、細粒度の行動条件付きシミュレーション、ゼロショット運動転移にも応用可能性が示されています。

意義と影響

PhiZero の意義は、動画予測モデルの内部に隠れがちな「力学」を、中間表現として取り出そうとしている点にあります。これにより、見た目だけがもっともらしい動画ではなく、時間的・物理的に整合した変化を扱いやすくなる可能性があります。

この考え方は動画生成だけでなく、ロボティクスや身体性 AI にも関係します。行動によって環境がどう変化するかを明示的に表せるなら、計画や制御に近い内部モデルとして利用できる余地があります。

一方で、提供されている概要だけでは、長時間の予測、複数物体の相互作用、複雑な環境での安定性までは判断できません。詳細な性能比較や失敗例は論文本文を確認する必要があります。それでも、PhiZero は「世界モデルは画素空間の予測を大きくすればよい」という発想に対し、抽象的な物理言語を介して推論する別の道筋を示している点で注目に値します。

今後この方向が発展すれば、動画生成モデルや具身 AI システムは、最終的な映像だけでなく、その前段にある明示的な物理推論層をより重視するようになるかもしれません。

出典：Hugging Face Daily Papers