何が起きたか
2026年7月29日にarXivで公開された論文「Enfold: Folding World Model Imagination into Predictive Representations for Ultra-Efficient Embodied Control」は、世界生成モデルの生成過程で得られる中間状態を、現在の視覚文脈と言語指示のみから予測される表現に転移する手法を提案した。実験では、LIBERO、RoboTwin2.0、実ロボットタスクで制御性能を維持しつつ、行動遅延をFast-WAM比で3.7倍、Enfold-Flashでは10.1倍削減したとしている。
詳細
Enfoldは、訓練時に生成器が観測された未来を処理する際に露出する多レベル状態を、現在のみのエンコーダの教師信号として使用する。学習された表現は未来生成の条件付けにフィードバックされ、タスクヘッドにも読み取られるが、タスク勾配がエンコーダを再形成することは許されない。展開時には行動予測は生成器を実行しない。
Key Facts
| Enfoldは、世界生成モデルの生成計算を現在の視覚文脈と言語指示から予測される表現に転移する手法である。 | [1] |
| 訓練時、生成器が観測された未来を処理する際に露出する多レベル状態が、現在のみのエンコーダを教師信号として監督する。 | [1] |
| 展開時、行動予測は生成器を実行しない。 | [1] |
| LIBERO、RoboTwin2.0、実ロボットタスクで、行動遅延をFast-WAM比で3.7倍、Enfold-Flashでは10.1倍削減した。 | [1] |
| 表現分析では、ノイズ変動を抑制し、長い時間軸で現れる変化を優先的に捉えることが示された。 | [1] |
本紙の見方
今回の提案は、世界モデルの活用方法を根本から転換する点で新規性が高い。従来の世界モデルは、生成された未来映像やビデオ条件付き行動、あるいは高コストな生成ブランチによる潜在文脈を利用するのが一般的だった。Enfoldは、生成器が未来を構築する過程での中間状態に着目し、それを現在の表現に折り込むことで、展開時に生成器を実行する必要をなくした。これは、世界モデルの計算資源を削減しつつ、制御性能を維持するという点で、組み込み制御や実時間応答が求められるロボットタスクへの応用に直結する。 本紙の過去報道との接続は、関連記事が提供されていないため直接の言及はできないが、世界モデルを用いた制御の効率化という文脈では、従来の研究が生成コストの削減に焦点を当てていたのに対し、Enfoldは生成計算そのものを表現に転移するという新しいアプローチを取っている。これは、世界モデルの内部表現を再利用するという点で、今後の研究の方向性を示唆する。 業界構造への含意としては、ロボット制御の分野で、高価な計算資源を必要とせずに高度な制御を実現できる可能性がある。特に、エッジデバイスや組み込みシステムでの展開が期待され、サプライチェーンにおける計算資源の制約を緩和する可能性がある。また、学習データの効率的な利用や、実環境での適応性向上にも寄与する可能性がある。 未確定の論点としては、実ロボットタスクでの具体的な性能評価や、他のベンチマークでの汎用性、また、生成器を実行しないことによる長期的な予測精度への影響が挙げられる。さらに、Enfold-Flashの具体的な実装や、遅延削減の内訳（どの部分が削減されたか）も確認が必要である。
なぜ重要か
Enfoldは、世界モデルの計算を現在の表現に折り込むことで、行動予測時の生成器実行を不要にし、制御遅延を大幅に削減する可能性を示した。これは、実時間制御が求められるロボット応用において、計算資源の制約を緩和し、より高速で応答性の高い制御を実現する一歩となる。