- フロンティアモデル競争は「最も賢いAI」から、「長時間の仕事をどこまで任せられるか」へ
- 推論は標準機能となり、性能だけでなくコスト・速度・安全性も重要な競争軸になった
-
ChatからAgentへ
- Tool Use、Computer Use、Long-running Agent、Multi-Agentが進み、AIは回答するだけでなく、目標を受け取って仕事を完遂する存在になりつつある
- モデル単体より「AIをどう働かせるか」が重要に
- Prompt EngineeringからContext Engineering、Harness Engineeringへ広がり、MCP・Skills・MemoryなどがAgentの実用性を左右する
- 生成AIはデジタル世界から物理世界へ
- Omnimodal化、Interactive World Model、World Foundation Model、VLAなどが進み、Physical AIとして現実世界で行動するAIへつながっている
-
AIの社会実装が本格化
- 仕事・教育・創作・Governance・電力や計算資源まで影響が広がり、AGIを見据えた安全性と開発速度そのものが社会的な論点になり始めた
- 全体構成、文章案作成などにChatGPT 5.6 Solを用いております
を半年ぶりに更新しました。2026-09現在の状況を整理しています。
1. 基盤モデルの進化 ― 推論からマルチモーダルへ
ここは「モデルそのもの」の章です。
1.1 GPT-6 Astra / Claude / Gemini など最新モデル
「最も賢いモデル」競争から、「最も仕事を任せられるモデル」競争へ。
2026年9月もフロンティアモデルの競争は続いている。OpenAIはGPT-6 Astra、AnthropicはClaude Fable 5.1 / Mythos 5.1、GoogleはGemini 3.8 Flashなどを相次いで投入した。競争軸も単純な知識・推論ベンチマークから、コーディング、コンピューター操作、エージェント、長時間の複雑なタスクをどこまで完遂できるかへ移りつつある。
一方、モデルの高性能化は新たな問題も生んでいる。2026年6月には、米政府が国家安全保障上の懸念からClaude Fable 5 / Mythos 5に輸出規制を適用し、Anthropicが一時的に両モデルへのアクセスを全面停止する異例の事態となった。規制はその後解除されたものの、特にサイバーセキュリティや生物学で高い能力を持つMythos系は、現在も利用者を限定して提供されている。
フロンティアモデル競争は、もはや「どのモデルが最も賢いか」だけではない。性能、コスト、エージェント能力に加えて、安全保障やアクセス制御までが競争環境を左右する時代に入っている。
1.2 推論モデルの標準化
「推論するモデル」から、タスクに応じて「どれだけ推論するか」を自動調整する時代へ。
2024〜2025年には「推論モデル」自体が大きなトピックだったが、2026年には高度な推論能力はフロンティアモデルの標準機能になりつつある。GPT-6 AstraやClaude Fable 5.1では、タスクに応じて推論量を調整し、精度・速度・コストを使い分けることが前提となった。
その結果、競争軸も「推論できるか」から、必要な問題だけに十分な計算資源を投入し、性能・時間・コストをどこまで最適化できるかへ移っている。
| Year | トピック |
|---|---|
| 2024 | 通常LLM → 推論モデルを選択 |
| 2025 | Thinking On/Off |
| 2026 | Adaptive Reasoning / Effort自動調整 |
1.3 Open Weight / DeepSeek
Open Weightは「廉価な代替」から、性能・効率・自社運用を武器にフロンティア競争の一角へ。
DeepSeek-R1以降、Open Weightモデルは「商用モデルより一段落ちる代替品」ではなく、フロンティアモデルと競争する存在になった。2026年にはDeepSeek V4が100万トークン級コンテキストを低コストで実現し、9月のV4.1-FlashではMoEと新しい非対称アーキテクチャによってさらに推論効率を高めた。OpenAI自身もgpt-oss-120b / 20bを公開しており、性能だけでなく、自社運用、ファインチューニング、データ主権、コスト効率がOpen Weightの大きな価値になっている。
例えばLLM性能評価リーダーボードの1つLiveBenchによると
(2026-09-12現在)
Top12のモデルのうち、Closed 9に対して、Open Weightモデルが3件リストされている。
もう一つ、最近関心が非常に高まっているのが1つのTaskを実行するためのコスト。横軸にコスト（対数）を取り縦軸にスコアを取ると、Closedモデルでは右肩上がりに近くなりますが、Open Weightモデルでは同等レベルの性能スコアで低コストで実施できることがわかります。
1.4 モデルの低価格化・使い分け
「常に最大モデル」から、性能・速度・価格に応じて最適なモデルを使い分ける時代へ。
生成AIの低価格化は、小型モデルの登場だけでなく、フロンティアモデルそのものにも広がっている。モデル間には依然として大きな価格差があり、すべての処理を最高性能モデルに任せるのではなく、タスクの難易度に応じて高速・低価格モデルと高性能モデルを使い分けることが現実的なシステム設計になってきた。
一方、スマートフォンやPC上で直接動作するSmall Language Modelも進化しており、プライバシー、低遅延、オフライン利用といったクラウドAIにはない価値を持つ。モデル競争は「より巨大に」だけでなく、必要十分な知能を、より安く・速く・適切な場所で使う方向にも進んでいる。
1.5 マルチモーダル → Omnimodal
マルチモーダルは「見る・聞く」から、あらゆる入力を統合し、複数形式で生成・編集するOmnimodalへ。
テキストだけでなく画像・音声・動画を扱う「マルチモーダル」は、すでに主要モデルでは当たり前になりつつある。その次として現れたのが、入力形式ごとに別機能を付け足すのではなく、テキスト・画像・音声・動画を統合的に理解し、複数の形式で出力する方向であり、GoogleはこれをOmnimodalと呼んでいる。GoogleのGemini Omniは「any inputからany outputへ」を掲げ、まず動画生成からこの統合を進めている。
Multimodalは複数モダリティを入力として理解する方向に進化し、Omnimodalではさらに複数モダリティの出力までを一つのモデルで統合する。
1.6 画像・動画・音声・音楽生成
生成AIは「一度プロンプトを入れて作品を生成する」段階から、対話しながら生成・編集・修正を繰り返し、制作ワークフロー全体を支援するツールへ進化している。画像ではGPT Image 2 / 2.5系が高い生成・編集性能を示し、動画では映像・音声を一体化した生成や自然言語による編集が進展している。音声ではリアルタイム対話や低遅延化が進み、音楽ではSunoを中心に、デモ生成から実際の制作工程で使える水準へ近づいている。競争軸も生成品質だけでなく、編集可能性、一貫性、リアルタイム性、権利処理、既存の制作ツールやワークフローとの統合へ広がっている。
1.6.1 画像生成
GPT Image 2 / 2.5が首位を固める一方、MicrosoftのMAIシリーズが急速に追い上げている。
2026年の画像生成は、OpenAIのGPT Image 2 / 2.5系が品質・編集性能の両面で非常に強く、主要ベンチマークでも上位を占めている。一方で、MicrosoftのMAI-Imageシリーズも着実に順位を上げており、OpenAI一強の構図にどこまで食い込めるかが注目される。画像生成では単純な「一枚絵の美しさ」だけでなく、文字描画、参照画像の維持、部分編集、指示追従性が競争軸になっている。
性能差はDesignArenaのImage Arenaが詳しいです。
1.6.2 動画生成
Sora Web/App終了後はSeedance、Wan、MiniMax、Gemini Omniなどが競う群雄割拠の市場になった。
OpenAIのSora Web/App終了は、動画生成市場の勢力図を大きく変えた。Seedance 2.5は依然として有力だが、WanやMiniMaxも高い評価を得ており、単独モデルの一強状態とは言いにくい。さらにGoogleのGemini Omniが動画生成・編集へ本格的に進出しており、今後は生成品質だけでなく、音声との統合や自然言語による動画編集、既存制作ツールとの連携が重要になりそうだ。
性能差はDesignArenaのVideo Arenaが詳しいです。
1.6.3 音声AI
AI音声は「自然に読み上げる」段階から、割り込み・抑揚・感情表現まで扱うリアルタイム対話基盤へ。
音声生成は、単なるText-to-Speechから大きく進化している。2026年は特に、低遅延化、自然な抑揚や感情表現、複数話者、声質制御に加え、AIが聞きながら同時に話し、ユーザーの割り込みにも対応するリアルタイム音声対話が重要な競争軸になった。音声は「生成コンテンツ」の一種というだけでなく、AIエージェントと人間をつなぐ主要インターフェースになりつつある。
狭義の音声生成はText-to-Speech（TTS）を指すが、現在の音声AIはSpeech-to-Text（STT）、リアルタイム会話、Voice Agentまで含む広い領域へ発展している。
- TTS
- Gemini 3.1 Flash TTS：感情・話速・複数話者など表現制御
- ElevenLabs：高品質TTS / Voice Clone
- STT
- Cursor Voice Mode：Agentへの音声指示、batch STT化
- Codex Voice / Dictation：長い指示や思考をそのままAgentへ
- 統合
- GPT-Live-1：STT→LLM→TTSを分離するのではなく、リアルタイムfull-duplex対話
- Voice Agent：聞く・考える・話す・ツールを使う、まで統合
性能差は下記などが詳しいです。
- TTS
- STT
Voice Agentはまだ定義が固まっておらず、ベンチマークなどにより結果が異なる
- 人間が実際に音声で会話し、自然さや応答品質を比較する実運用寄りArtificial AnalysisのSpeech Agent
- Agentらしく「ツールを使ってタスクを完遂できるか」を見るなら、BenchLMのVoice task completion / AudioAgentBench
1.6.4 音楽生成
Sunoが先行し、v5.5で実用性を高め、v6では音楽業界との対立から共同開発へ大きく舵を切った。
音楽生成ではSunoが引き続き存在感を示している。v5.5では歌声や楽曲構成、編集機能が向上し、単なるデモ生成ではなく、実際の制作ワークフローでも使える水準に近づいた。そしてさらに重要なのがv6で、Warner Music Groupなど音楽業界側とのライセンス・協業を前提としたモデル開発へ進んだ点である。著作権をめぐる対立から、権利処理を前提に共存するフェーズへ移り始めたことは、音楽生成AIにとって技術以上に大きな転換点といえる。
前回
2026-02-24に音楽生成のProducer.aiがGoogle Labsに参加とのことでLyriaが伸びるでしょうか。
と書きましたが、Googleが新しいモデルを投入してきました。
性能差はArtificial AnalysisのMusicが詳しいです。
2. AIエージェント ― 「答えるAI」から「働くAI」へ
2.1 ChatからAgentへ ― 回答から行動へ
AIは「質問に答える存在」から、目標を受け取り、ツールを使いながら仕事を完遂するAgentへ。
従来のChat型AIは、ユーザーの質問や指示に対して、その場で文章やコードを返すことが中心だった。これに対してAgentは、与えられた目標を複数ステップに分解し、必要に応じて検索・ファイル操作・コード実行などのツールを呼び出し、結果を確認しながら処理を進める。2026年にはこの利用形態が急速に一般化し、AI活用の単位も 「1回の対話」から「数十分〜数時間かかる仕事を委譲する」方向 へ移りつつある。OpenAIもこの変化を「single interactions から delegated, long-horizon tasks へ」と整理している。
2.2 Tool UseとComputer Use ― AIが外部世界を操作する
AIは「知っていることを答える」だけでなく、APIやGUIを使って外部システムを実際に操作する存在へ。
Tool Useでは、AIが検索、データベース、ファイル、メール、コード実行、外部APIなどを必要に応じて呼び出し、LLM単体ではできない処理を実行する。さらにComputer Useでは、専用APIがなくても、画面を見てマウスやキーボードを操作し、人間と同じGUIから仕事を進められる。OpenAIのComputer-Using Agentは、スクリーンショットを理解してクリック・入力・スクロールを行い、WebやOS上のタスクを実行する仕組みを実現している。
Agentは、APIやMCPなどの構造化されたToolを利用し、必要に応じてComputer Useで人間向けGUIも操作する。
2.3 Long-running Agent ― 長時間の仕事を任せる
AIは「数分の応答」から、数十分〜数時間かけて計画・実行・検証を繰り返す長時間タスクの委譲先へ。
従来のAI利用は、1回の質問に対してその場で答えを返す短い対話が中心だった。Long-running Agentでは、目標を複数の作業へ分解し、ツールを使い、途中結果を確認し、必要なら修正や再実行を行いながら、数分から数時間にわたって自律的に作業を継続する。OpenAIはこの変化を「single interactions から delegated, long-horizon tasks へ」と表現しており、2026年5月にはCodex利用者の70%以上が、人間なら1時間以上かかると推定されるタスクを依頼していた。
cf. OpenAI「エージェントが変える仕事」
| 機能 | 実行時間の目安 |
|---|---|
| Chat | 数秒〜数分 |
| Agent | 数分〜数十分 |
| Long-running Agent | 数十分〜数時間 |
- 「人間なら1時間以上」の仕事が普通に
- 2026年5月、Codex利用者の70.2%が、人間なら1時間超かかると推定されるタスクを依頼。30分超では80.6%に達しており、Agentの利用単位が明確に長時間化しています
- 数時間・数日・数週間のプロジェクトへ
- Codex Appは、複数Agentを並列実行しながら、設計・実装・テスト・保守まで長期プロジェクトを扱う「Agentの司令塔」として設計されています。OpenAI自身も、Agentが扱う仕事が「hours, days, or weeks」に及ぶと説明しています
- バックグラウンド実行・クラウド実行
- Workspace agentsはクラウド上で動作し、ユーザーがその場にいなくても作業を継続できます。長時間Agentでは「会話を開いて待つ」のではなく、途中で離れて、あとで確認・承認・軌道修正する使い方が前提になっています
- Work型AIへの拡張
- ChatGPT Workは「回答を返す」のではなく、情報収集、分析、ファイル操作、成果物作成までをまとめて引き受ける方向へ。Long-running Agentがコーディング分野から一般業務へ広がった象徴です
- 長く動くほど、安全性・監督が重要に
- Long-running Agentは便利な一方、長時間動くほど誤操作や意図しない行動の機会も増えます。OpenAIも2026年7月、長時間モデルの安全性について「単発の行動」ではなく一連のtrajectory全体を監督する必要を指摘しています
2.4 Multi-Agent ― 1つのAIからAIチームへ
1つのAgentにすべてを任せるのではなく、複数Agentが役割分担・並列実行・相互検証する「AIチーム」へ。
単一Agentでも長時間タスクを処理できるようになった一方、複雑な仕事ではコンテキストの肥大化や逐次処理の遅さが課題になる。Multi-Agentでは、調査・実装・検証などを別々のAgentへ分担し、それぞれ独立したコンテキストで並列実行することで、大規模タスクを効率化する。CursorのSubagentsやCodexのmulti-agent workflowsのように、人間が1人のAIを操作する形から、複数Agentを監督・調整する形へ利用スタイルが変わり始めている。
- Subagentの一般化
- Cursorでは2026年1月から、親Agentが調査・ターミナル操作・並列作業などをSubagentへ委譲できるようになった。各Subagentは独立したコンテキストを持つため、主Agentの文脈を圧迫せずに専門作業を並行処理できる
- 複数Agentを並列実行するUIが登場
- Codex Appは「複数Agentを同時に管理する司令塔」として設計され、Cursorも複数Agentを並列実行するAgents Windowを提供している。AI利用のUI自体が、チャット画面からAgentチームの管理画面へ変わり始めている
- Planner / Worker / Verifier型の役割分担
- Multi-Agentでは、Plannerが計画し、Workerが実行し、Verifierが検証するような役割分担が代表的。2026年のTeamBenchも、Planner / Executor / Verifierを明示的に分離して協調性能を評価している
- 数百Agentを同時稼働する実験
- Cursorは2026年1月、単一プロジェクトで数百のAgentを並行稼働させ、100万行以上のコードを生成する長期実験を公開した。Multi-Agentが研究デモではなく、大規模ソフトウェア開発のスケーリング手段として試され始めている
2.5 AIコーディング ― Agentic AIの最前線
AIコーディングは「コード補完」から、仕様理解・実装・テスト・修正までを自律的に進めるCoding Agentへ。
AIコーディングは、Agentic AIが最も早く実用化されている分野の一つである。従来はコード補完や関数生成が中心だったが、現在はリポジトリ全体を理解し、複数ファイルを変更し、テストやコマンドを実行し、失敗すれば修正するところまでAgentが担当する。Codex、Claude Code、Cursorなどでは、長時間タスク、クラウド実行、複数Agentの並列作業まで進み、開発者の役割も 「コードを書く人」から「仕様を与え、Agentの仕事を設計・レビューする人」へ 広がりつつある。Codexは複数Agentを並列管理するコマンドセンターとして設計され、CursorもCloud Agentsや非同期Subagentを前面に出している。
- 補完からRepository-level Agentへ
- AIが現在のファイルだけでなく、リポジトリ全体を読み、機能追加・バグ修正・リファクタリング・マイグレーションまでエンドツーエンドで扱うようになった。Codexも現在、日常的なPRから複雑なリファクタリングまでを対象としている
- Background / Cloud Coding Agent
- CursorのCloud Agentsは専用VM上で数分〜数時間動き、コード編集、コマンド実行、テスト、PR作成まで行う。開発者はAgentの終了を待たず、別作業へ移れるため、コーディングもLong-running Agent化している
- Single AgentからMulti-Agent Codingへ
- Codex AppやCursor Agents Windowでは、複数Agentを並行稼働させ、別機能や別ブランチを同時に担当させられる。AIコーディングは「AIとのペアプログラミング」から、人間が複数Coding Agentを監督する開発スタイルへ進み始めている
- Vibe CodingからSpec-Driven Developmentへ
- 自然言語で「こんなものを作って」と指示するVibe Codingが普及する一方、大規模開発では曖昧なプロンプトだけでは品質管理が難しい。そのため、GitHub Spec KitやKiroのように、Spec → Plan → Tasks → Implementと仕様を構造化してAgentへ渡すSpec-Driven Developmentが注目されている。GitHub Spec Kitは2026年現在、Codex、Claude Code、Kiroなど多数のCoding Agentに対応している
3. AIを働かせる技術 ― MCP・Skills・Context Engineering
3.1 Prompt EngineeringからContext Engineeringへ
AIをうまく動かす鍵は「良いプロンプトを書く」ことから、必要な情報・ツール・記憶を適切に与えることへ。
Prompt Engineeringは、モデルにどう指示を書くかを工夫する技術として発展してきた。一方、Agentが長時間動き、ツールや外部データを使うようになると、1回のプロンプトだけでは足りない。2026年には、System Prompt、会話履歴、Memory、RAG、Tool定義、ファイル、実行結果などを、必要なタイミングで必要な量だけモデルへ渡す「Context Engineering」 が重要になっている。Anthropicも、system prompt、token-efficient tools、just-in-time retrieval、compaction、structured memory、sub-agentsをContext Engineeringの主要要素として整理している。
3.2 Context EngineeringからHarness Engineeringへ
AIに「何を見せるか」だけでなく、「どう動かし、検証し、失敗から回復させるか」まで設計するHarness Engineeringへ。
Context Engineeringが、Prompt、Memory、RAG、Tool情報など「モデルに与える文脈」を設計する考え方だとすれば、まだ定義が固まりきっていない用語ではあるが、Harness Engineeringはさらにその外側まで対象を広げる。Agentの実行ループ、ツール利用、状態管理、権限制御、テスト、検証、リトライ、ログ、Human-in-the-loopなどを組み合わせ、Agentが長時間・自律的に動いても安定して成果を出せる実行環境そのものを設計する。
cf. OpenAI「ハーネスエンジニアリング：エージェントファーストの世界における Codex の活用」
3.3 MCP ― AIとToolをつなぐ共通インターフェース
MCPは、AI Agentが外部のツール・データ・サービスへ接続するための共通インターフェースとして事実上の標準へ。
Model Context Protocol（MCP）は、AIアプリケーションと外部システムの接続方法を標準化するためにAnthropicが2024年に公開したオープンプロトコルである。MCP Serverは、Tools（実行機能）、Resources（データ）、Prompts（定型指示） などを共通形式で公開し、MCP Client側のAgentはそれらを発見して利用できる。これにより、AIアプリごとに個別API連携を作り込むのではなく、一度MCP Serverを用意すれば、複数のAgentやAI製品から再利用できるようになる。
3.4 Skills ― AIに「やり方」を教える
Skillsは、繰り返し使う作業手順・専門知識・スクリプトをまとめ、Agentに再利用可能な「仕事のやり方」として教える仕組み。
MCPがAgentに「何を使えるか」を与える仕組みだとすれば、Skillsは**「それをどう使って仕事を進めるか」** を与える仕組みである。典型的には SKILL.md に手順やルールを記述し、必要に応じてスクリプト、テンプレート、API仕様、参考資料などを同梱する。Agentはタスクに応じて適切なSkillを選び、毎回ゼロから手順を考え直すのではなく、組織や個人のベストプラクティスを再利用可能なワークフローとして実行できる。OpenAIもSkillsを「reusable, shareable workflows」と位置づけ、ChatGPTやCodexで利用可能にしている。
Skillの内容例
Skill
├─ SKILL.md
│ ├─ いつ使うか
│ ├─ 手順
│ ├─ 出力形式
│ └─ 最終チェック
├─ scripts/
├─ references/
└─ assets/
3.5 AGENTS.md・DESIGN.md・Memory ― Agentに継続的な文脈を与える
Agentは毎回ゼロから指示するのではなく、プロジェクトのルール・デザイン・ユーザーの文脈を継続的に引き継ぐようになった。
Agentが長時間・複数回にわたって仕事をするようになると、毎回同じルールや背景をプロンプトで説明するのは非効率になる。そのため、コーディング規約やプロジェクト固有の注意事項を記述する AGENTS.md、デザインシステムを記述する DESIGN.md、過去の会話やユーザーの好み・進行中の仕事を引き継ぐMemoryなど、Agentが継続的に参照できる文脈を外部化・永続化する仕組みが重要になっている。
これらはSkillsとは少し役割が異なる。Skillsが複数のプロジェクトで再利用できる「仕事のやり方」だとすれば、AGENTS.mdやDESIGN.mdは 「このプロジェクトではどうするか」、Memoryは「このユーザー・この仕事について何を引き継ぐか」 を与える仕組みと整理できる。
- AGENTS.md ― Coding Agent向けの「README for Agents」
- 命名規則、ビルド・テスト方法、ビジネスロジック、既知の注意点など、コードだけからは推測しにくいプロジェクト固有情報をAgentへ与える。ディレクトリごとに入れ子にでき、より近い AGENTS.md を優先することで、巨大なリポジトリでも局所的な指示を与えられます。OpenAI Codex、Google Jules、Cursorなど複数Agentで採用され、現在はLinux Foundation傘下のAgentic AI Foundationが管理するオープン形式になっています
- DESIGN.md ― デザインも「Agentが読める文脈」へ
- Google Labs CodeのDESIGN.mdは、色、タイポグラフィ、コンポーネント、デザイン意図などをプレーンテキストで表現し、Coding Agentへ渡すための仕様です。2026年時点ではまだalphaですが、デザインを毎回「もっとモダンに」などと自然言語で指示するのではなく、デザインシステム自体を機械可読なContextとして持つという方向を示しています
- Memory ― セッションを越えて文脈を引き継ぐ
- ChatGPTでは2026年6月にMemoryが大きく刷新され、過去のチャット、ファイル、接続アプリなどから重要な情報を自動的に統合し、古い・矛盾した情報を減らしながらユーザーの好み、目標、進行中の仕事を継続的に引き継ぐ仕組みに進化しました。Context Engineeringが「このターンに何を渡すか」なら、Memoryは 「時間をまたいで何を残すか」 を扱う技術ともいえます
- 巨大なプロンプトではなく「外部化された文脈」へ
- すべてをSystem Promptへ詰め込むのではなく、必要な情報をAGENTS.md、DESIGN.md、Memory、Skillsなどへ分け、必要なときに参照する方向へ進んでいる。これはContext EngineeringやHarness Engineeringで出てきた 「全部見せるのではなく、Agentが必要な情報へ辿れる環境を作る」 という考え方ともつながります
4. 世界モデルとPhysical AI ― AIが世界を理解し、行動する
4.1 世界モデル ― AIが「世界の次」を予測する
世界モデルは、現在の状態と行動から「次に世界がどう変わるか」を予測するAI。
世界モデル（World Model）は、AIが環境の状態や物理的な変化を内部的に表現し、「この行動を取ったら、その後どうなるか」 を予測するためのモデルである。LLMが主に「次のトークン」を予測するのに対し、世界モデルは画像・動画・センサー情報・行動などから、世界の次の状態を予測する。これにより、AI Agentは実際に行動する前に結果をシミュレーションし、計画や試行錯誤を行えるようになる。Google DeepMindも世界モデルを、環境がどう変化し、Agentの行動がその環境へどう影響するかを予測する仕組みとして説明している。
- 「動画生成」と「世界モデル」は何が違うのか
- 動画生成はもっともらしい映像を生成できればよいが、世界モデルでは行動に応じて未来が一貫して変化することが重要になる。Genie 3では、ユーザーやAgentの行動に応じてフレームを生成し、数分間にわたり環境の整合性を維持できる
- Action-conditioned prediction ― 行動を条件に未来を予測
- 世界モデルの核心は「次の状態」だけでなく、状態 + 行動 → 次の状態を学ぶことにある。これによりAgentは、「右に曲がる」「物をつかむ」「速度を上げる」といった行動の結果を事前に予測できる
- Planning ― 頭の中で試してから行動する
- 世界モデルを使えば、複数の行動候補を仮想的に試し、最もよさそうなものを選べる。これは強化学習やModel Predictive Controlにもつながる考え方で、現実世界で失敗する前に内部シミュレーションすることができる
- World ModelがAgent訓練環境になる
- Genie 3ではSIMAのようなAgentを生成世界の中で動かし、長い行動系列や複雑なタスクを試すことができる。世界モデルは単なる予測器ではなく、Agentが安全に経験を積むためのシミュレータとしても重要になっている
4.2 Interactive World Model ― 動画生成から世界シミュレーションへ
生成した映像を「見る」だけでなく、ユーザーやAgentの行動に応じて世界がリアルタイムに変化するInteractive World Modelへ。
動画生成モデルは、プロンプトから時間的に連続した映像を生成する。一方Interactive World Modelでは、生成された世界の中で移動したり、物体や環境へ働きかけたりすると、その行動を条件として次の状態がリアルタイムに生成される。2025年のGenie 3以降、この「生成動画 → 操作可能な世界」という方向が急速に進み、2026年にはRunwayのGWM Worlds 2のように映像だけでなく音声まで含むリアルタイムシミュレーションも登場した。
4.3 World Foundation Model ― 世界モデルも基盤モデルへ
世界モデルも、用途ごとに個別開発するものから、ロボット・自動運転・シミュレーションなどへ適応できる汎用的なWorld Foundation Modelへ。
LLMが大量のデータで事前学習した基盤モデルをさまざまな用途へ適応するように、世界モデルでも同じ流れが進んでいる。World Foundation Model（WFM）は、現実世界の映像や物理的な変化を大規模に学習し、そこからロボット、自動運転、物流など個別のPhysical AI用途へPost-trainingして利用する汎用モデルである。NVIDIAはCosmosを「general-purpose world model that can be fine-tuned into customized world models」と位置づけている。
2026年5月に発表された Cosmos 3 ではさらに、テキスト・画像・動画・環境音・Actionを統合し、物理世界の推論、未来の世界生成、Action生成を1つのOmnimodal World Modelで扱う方向へ進化した。世界モデルが単なる未来映像の生成器ではなく、Physical AIの基盤モデルへ近づいている。
- 専用World Model → World Foundation Model
- 自動運転やロボットごとにゼロから世界モデルを作るのではなく、大規模事前学習モデルを各用途へ適応する。LLMで起きた「Foundation Model化」が物理世界にも広がった、と整理できます
- Cosmos 3 ― Reasoning・World・Actionを統合
- Cosmos 3はVision Reasoning、World Generation、Action Predictionを単一アーキテクチャへ統合。さらにText / Image / Video / Sound / Actionを扱うため、第1章のOmnimodal AIがPhysical AI側へ伸びた例としてもつながります
- Synthetic Data Factory ― 現実では集めにくい経験を生成
- 事故寸前の道路状況や珍しいロボット失敗例など、現実世界では危険・高価・希少なデータを世界モデルで大量生成できる。Physical AIでは、世界モデルが学習データを作る装置にもなります。NVIDIAもCosmos 3の主要用途としてsynthetic data generationを挙げています
- World ModelとPolicy Modelの接続
- 世界を予測するだけでなく、予測結果から「次に何をするか」を学ぶPolicy Modelへ接続する。Cosmos 3ではWorld Action ModelのバックボーンとしてPost-trainingし、ロボット固有のPolicyへ適応する構成も示されています
4.4 VLA・Robot Foundation Model ― 見る・考える・動く
VLAは、視覚と言語による理解をロボットのActionへ直接つなぎ、「見る・考える・動く」を1つのモデルで扱う。
Vision-Language-Action（VLA）は、画像や映像から周囲を認識し、自然言語の指示を理解したうえで、ロボットアームやヒューマノイドのモーター制御まで出力するモデルである。従来のロボットが個別タスクごとに制御プログラムを作っていたのに対し、VLAやRobot Foundation Modelでは、大規模なロボットデータ・映像・言語を事前学習し、さまざまなロボットやタスクへ適応する汎用知能を目指している。
2026年7月のGoogle DeepMind Gemini Robotics 2 は、VisionとLanguageからActionを生成し、ロボットアームだけでなくヒューマノイドの足先から指先までを制御する「whole-body intelligence」へ拡張した。さらにEmbodied Reasoningを担うGemini Robotics ER 2、ロボット上でローカル実行するOn-Device 2も提供され、推論・Action生成・エッジ実行を分担するGemini Roboticsのモデル群へ発展している。
VLAの中でWorld Modelはどう位置づけられるか
World ModelsとVLAの関係性はこのサーベイが詳しいです。
KAWAHARAZUKA, Kento, et al. Vision-language-action models for robotics: A review towards real-world applications. IEEE Access, 2025.
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11164279
研究の進展が早く、定義が固まっていない分野ではありますが、概ねとしては、
ロボット知能を実現する方法にはVLAと非VLAのさまざまなアプローチがある。VLAの内部にも複数のアーキテクチャがあり、このサーベイではSensorimotor Model、World Model、Affordance Modelの3つに大別している。
ロボット知能研究におけるVLAやその他の手法について
上記サーベイはVLAについてが主のため、VLA以外も含めて私が調べた範囲での整理は下記です。
- 注：VLA以下の3分類は上記サーベイによる整理。その他のアプローチ（非VLA）側は本記事での便宜的な整理であり、各方式は必ずしも排他的ではない
| 方式 | 1行簡易解説 | |
|---|---|---|
| VLA | Sensorimotor Model | 視覚・言語などの入力から、ロボットのActionを直接生成するVLAの基本的な方式。 |
| World Model | 現在の状態から未来の観測や状態を予測し、その予測を使ってActionを決める方式。 | |
| Affordance Model | 「どこをつかめるか」「何が操作できるか」など、行動可能性を推定してAction生成につなげる方式。 | |
| 非VLA | Modular / Hierarchical | VLM/LLMが高レベルの計画を立て、既存のSkillや低レベルControllerを選択・組み合わせる方式。 |
| Visuomotor Policy | カメラ画像などの観測から直接ロボットActionを学習する方式で、自然言語を必須としない。 | |
| Classical / Model-based Robotics | 認識・計画・軌道生成・制御などを明示的なモデルやモジュールに分けてロボットを動かす従来型の方式。 |
生成AIや基盤モデルの文脈ではWorld Modelが特に注目されるため、Physical AIでもWorld Modelが中心的な方式であるように見えやすい。しかしロボット研究側から見ると、VLA内部だけでもSensorimotor Model、World Model、Affordance Modelという複数のアーキテクチャがあり、さらにVLA以外にも多様なアプローチが存在する。Physical AIを理解する際には、この視点の違いに注意が必要である。
4.5 Physical AI ― AIが現実世界で行動する
Physical AIは、AIが物理世界を認識・理解・推論し、ロボットや自律機械を通じて実際に行動するための技術群を包含する考え方。
生成AIが主にデジタル空間でテキスト・画像・コードなどを扱ってきたのに対し、Physical AIはカメラ、センサー、ロボット、自動運転車などを通じて3次元の物理世界を認識し、推論・計画し、Actionへ変換する。NVIDIAはPhysical AIを、物理世界を「perceive, understand, reason, and perform or orchestrate complex actions」する自律システムとして説明している。対象はロボットだけではなく、自動運転、ドローン、産業機械、スマート空間などにも広がる。
World Model、VLA、Embodied Reasoning、Robot Foundation Modelなどは、このPhysical AIを実現するための技術やアーキテクチャである。2026年にはGemini Robotics 2による全身ロボット制御や、World Modelによるシミュレーションなどが進み、「AIが世界について答える」段階から「世界の中で行動する」段階へ研究開発の対象が広がっている。
- Perception → Reasoning → Action の閉ループ
- Physical AIでは、センサーで環境を認識し、状況を理解・推論し、Actionを実行し、その結果を再び観測する。この現実世界との閉ループが、通常の生成AIとの大きな違いです。Gemini Roboticsも環境変化を継続的に監視し、行動を適応させる方向を取っています
- Simulation / Digital Twin / Synthetic Data
- 現実世界でロボットを大量に失敗させて学習するのは高コストで危険なため、シミュレーションやWorld Foundation Modelで経験を生成し、実機へ移す Sim-to-Real が重要になる。NVIDIAもPhysical AIの基盤として物理シミュレーションと合成データを重視しています
- Humanoid・自動運転・自律機械へ
- Physical AIはヒューマノイドだけを意味しない。物流ロボット、工場、自動運転車、ドローンなど、物理世界で自律的に判断・行動する機械全般が対象になります。特にGemini Robotics 2では、腕だけでなく足先から指先までを統合するwhole-body controlへ進んでいます
- 安全性は「間違った回答」から「間違った行動」へ
- Physical AIではAIの出力がそのまま物理的なActionになるため、誤りの影響がデジタルAIより大きい。制約、リアルタイム監視、Human-in-the-loop、シミュレーションによる事前検証など、行動レベルでの安全設計がより重要になります
5. 生成AIは社会をどう変えるか
Column：AGI時代の入口で、AI企業はアクセルを緩め始めた
2026年9月、OpenAIはGPT-6 Astraを発表し、PresidentのGreg Brockmanはこれを「AGI era」の始まりとして位置づけた。一方、Sam Altmanも、AIが一部の能力で人間を超えつつあり、今後はモデルの能力向上よりも安全性やAlignmentの進展が開発速度を決める可能性を示している。
その直後の9月12日、Anthropic CEOのDario Amodeiは、AI開発の速度を安全対策の進展に合わせる必要があるとして、第三者による独立評価、AI企業間の安全基準の協調、さらに国際的な協力を提案した。OpenAIのSam AltmanやElon Muskもこの方向性に支持を示し、主要AI企業間で安全性について協力する枠組みが検討されている。
これは象徴的な変化である。これまでのAI競争は「誰が最も早く、最も高性能なモデルを作るか」が中心だった。しかし、モデルがAGIと呼べる領域へ近づくにつれ、競争軸には「どこまで安全に能力を高められるか」「誰が開発速度を制御するのか」という問題も加わり始めている。
AIの進歩そのものではなく、その進歩を社会がどう制御するかが、次の大きなテーマになりつつある。
5.1 AIと仕事 ― 「使う」から「任せる」へ
AIは「仕事を手伝うツール」から、まとまったタスクを任せ、人間が指示・判断・検証する協働相手へ。
これまでの生成AIは、文章作成や要約、コード生成など、人間が進める仕事の一部を支援するCopilotとして使われることが多かった。しかしAgentの進化によって、AIは目標を受け取り、ツールを使いながら仕事のまとまりを自律的に進めるようになりつつある。AI活用の単位も、「1回の対話」から「仕事そのものを委譲する」方向へ変化している。
一方、現時点で「AIによって大量の仕事が消滅した」とまではいえない。ILOの2026年レビューでは、生産性向上は確認されるものの大規模な雇用喪失はまだ限定的で、むしろ仕事内容、組織内の役割分担、若手の雇用機会、AIを使える人と使えない人の格差といった変化が先に現れている。
- Copilot → Agent ― 支援から委譲へ
- 人間が1工程ずつ指示するのではなく、「この調査をまとめて」「この機能を実装して」のように、仕事のまとまりをAIへ渡す方向へ。AIを「操作する」のではなく「任せる」という使い方が広がっている OpenAI「エージェントが変える仕事」
- 職業より「タスク」が組み替わる
- AIは職業を丸ごと置き換えるより、職業内の一部タスクを自動化・拡張しやすい。さらにOpenAIの分析では、職種固有のAI利用の43.5%が本来別職種に属するタスクだったとされ、営業がデータ分析をするなど、職種の境界そのものが薄くなる「Task Crossover」 も起きている OpenAI「AI が広げる人々の仕事」
- 人間の役割は「実行」から「Direction / Judgment」へ
- Agentが実作業を担うほど、人間側では目標設定、仕様決定、優先順位、レビュー、責任といった仕事の比重が高まる。人間の価値は「自分で全部実行すること」から、「何を任せ、何を確認し、何を判断するか」へ移りつつある Microsoft「Agents, human agency, and the opportunity for every organization」
- Entry-level職への影響
- 若手が従来担当していた調査、資料作成、簡単なコード、定型分析などはAIと重なりやすい。「若手はどこで経験を積むのか」 が新しい課題になっている World Economic Forum「Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways」
- AI格差から組織格差へ
- 同じモデルを使えても、Context、Tools、Skills、業務設計まで整えた組織ほどAIを深く使える。競争力の差は「AIを導入したか」ではなく、「どこまで仕事を任せられる仕組みを作ったか」 へ移りつつある OpenAI「Enterprise Signals：フロンティア企業は何が違うのか」
5.2 AIと教育 ― 「答えを得る」から「どう学ぶか」へ
AIで課題を速く解ける時代だからこそ、「答えを得たか」ではなく「本人が何を理解し、考えられるようになったか」が問われる。
生成AIは、いつでも質問できるTutor、文章やコードへのフィードバック、個別の練習問題生成など、学習を大きく支援できる。一方で、AIが課題そのものを代行すると、成果物の品質は上がっても学習者自身の理解が深まらない「performance without learning」が起こり得る。OECDの『Digital Education Outlook 2026』も、AIを説明・練習・知識確認に使う「Learning」と、回答をそのまま提出する「Replacement」を区別し、Cognitive Offloadingや過度な依存を主要な課題として挙げている。 OECD Digital Education Outlook 2026
そのため教育現場の論点は、「AIを禁止するか、使わせるか」から、どの思考をAIへ任せ、どの思考を学習者自身に残すかを設計することへ移りつつある。2026年の研究でも、AI支援で課題成績や負担感が改善しても、概念理解の向上とは一致しない場合が報告されている。
5.3 AIと創作・情報 ― 人間が作ったものとの境界が曖昧に
AI生成物の品質が人間制作物に近づくほど、「誰が作ったのか」「何を学習したのか」「本物だとどう確認するのか」が重要になる。
画像・動画・音楽・文章を高品質に生成できるようになり、人間が作ったコンテンツとAI生成物を見た目だけで区別することは難しくなっている。そのため論点は、単なる生成性能から、著作権、学習データ、クリエイターへの対価、Deepfake、生成物の出自証明へ広がっている。
米国著作権局は、AI生成物について「人間が十分な表現上の創作を行った部分」は著作権保護の対象になり得る一方、単にPromptを入力しただけでは原則として人間の著作物とは認められないと整理している。またAI学習に著作物を利用できるかについては依然として係争が続いており、2026年9月にはOpenAI・MicrosoftとNew York Timesなどの訴訟が、生成AI学習におけるFair Useを左右する重要な局面を迎えている。
一方で、対立だけでなくライセンスによる共存も進み始めた。音楽分野ではSunoがWarner MusicやBMGと共同でライセンスされた楽曲を用いた生成モデルを公開し、アーティストがAI生成から収益を得る新しい仕組みも模索されている。
5.4 AI Governance ― 野放しの実験から社会制度へ
AIは「使ってよいか」を議論する段階から、社会で使うことを前提に、透明性・責任・安全性を制度として実装する段階へ。
生成AIが企業・行政・教育・創作・Agentへ広がるにつれ、AI Governanceは自主的なガイドラインだけではなく、法制度、第三者評価、監査、表示義務、インシデント報告などを含む実装フェーズへ入っている。特にEUでは2026年8月2日からAI Actの執行が本格化し、チャットボットがAIであることの通知、Deepfakeのラベル表示、AI生成・改変コンテンツへの機械可読マークなど、透明性義務が実際に適用され始めた。
一方、AgentやPhysical AIでは、AIが単に回答を生成するだけでなく、外部システムへアクセスし、コードを実行し、現実世界でActionを起こす。そのためGovernanceの対象も、生成物の品質管理から、AIにどこまで権限を与えるか、どの時点で人間の承認を必要とするか、事故や異常行動をどう検知・停止するかへ広がっている。
EU「Commission starts enforcing AI Act rules and new transparency requirements on 2 August」
5.5 AIが社会インフラになる ― 計算資源・電力・AI格差
AIが社会の基盤になるほど、その競争力はモデルだけでなく、GPU・データセンター・電力・ネットワークを誰が確保できるかにも左右される。
生成AIの利用が広がるにつれ、それを支える計算資源とエネルギーも巨大な社会インフラになりつつある。IEAによると、世界のデータセンターの電力消費は2025年に17%増え、特にAI向けデータセンターでは50%増加した。現在約485TWhのデータセンター電力消費は2030年には約950TWhへ倍増すると予測され、その中でもAI向けの消費は約3倍になる。 (iea.org)
一方で、AIの1タスク当たりのエネルギー効率は急速に改善している。しかし、Reasoning、動画生成、Agentic Taskなど高度な処理は、単純なテキスト生成の数百〜数千倍の電力を消費する場合がある。AI利用が高度化・常時化するほど、半導体、電力網、冷却設備、データセンター立地までがAI発展の制約条件になっていく。 (iea.org)
さらに計算資源は世界に均等に存在していない。World Bankは、Frontier Model、先端半導体、データセンターが一部の企業・高所得国へ集中しており、Compute、電力、通信環境、データ、AI人材へのアクセス格差が、新たなAI Divideにつながると指摘している。 (worldbank.org)
関連記事
- 最新情報を得るためのリンク集
- 基礎を固めるための生成AI関連書籍
- AIをより深く知るための脳科学関連書籍