Neural Fields as World Models：物理予測とオフライン学習を統合する新アーキテクチャ

何が起きたか

2026年2月21日にarXivで公開された論文『Neural Fields as World Models』が、感覚皮質の空間構造を保持する世界モデル「等型世界モデル」を提案した。このモデルは、運動コマンドが特定チャネルを変調するニューラルフィールドを用い、物理予測を幾何学的伝播として実現する。3つの実験で、弾道予測の学習、凍結した世界モデルによる捕捉ポリシーのオフライン改善、身体ラベルなしでの身体選択的チャネルの出現が示された。

詳細

論文は、標準的な機械学習の世界モデルが視覚入力を潜在ベクトルに圧縮し、感覚皮質の空間構造を捨てていると指摘する。提案する等型世界モデルは、感覚トポロジーを保存し、物理予測を抽象的な状態遷移ではなく幾何学的伝播として扱う。実装は運動ゲート型ニューラルフィールドで、局所的な側方結合を通じて活動が進化し、運動コマンドが特定チャネルを乗算的に変調する。3つの実験で、同じアーキテクチャが「テレポートなし」の弾道予測を学習し、凍結した学習済み世界モデルを通じてタスク誤差を伝播させることで捕捉ポリシーをオフラインで改善し、身体ラベルなしで身体選択的運動チャネルを発達させた。

Key Facts

本紙の見方

今回の論文は、世界モデルの設計原理に一石を投じるものだ。従来の世界モデルは、視覚入力を潜在ベクトルに圧縮し、抽象的な状態遷移として物理を予測するのが一般的だった。これに対し、本論文は感覚皮質の空間構造を保持する「等型世界モデル」を提案し、物理予測を幾何学的伝播として捉える。この発想は、脳の感覚処理が空間マップを維持することと整合的であり、世界モデルの新たな方向性を示す。 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避けるが、ロボティクスや物理AIの分野では、世界モデルがシミュレーション内での学習や計画に活用される流れがある。本論文は、その世界モデルをより生物学的に妥当な形で構築する試みと位置づけられる。特に、オフラインでのタスク学習を可能にする点は、実環境での試行錯誤を減らす可能性があり、ロボットの学習効率向上に寄与するかもしれない。 業界構造への含意としては、世界モデルの設計が従来の潜在ベクトル方式から空間マップ方式へシフトする可能性がある。これにより、物理予測の精度や解釈性が向上し、ロボットの制御やシミュレーション環境の構築に影響を与えるだろう。また、身体表現がラベルなしで獲得されることは、自己認識や身体性の理解にもつながる。 未確定の論点としては、提案手法のスケーラビリティや実世界での有効性が挙げられる。実験は限定的なタスクで行われており、複雑な環境での性能は不明だ。また、運動ゲート型ニューラルフィールドの計算コストや、学習データの要件も検証が必要である。今後、大規模な実験や実ロボットへの適用が焦点になる。

なぜ重要か

この研究は、世界モデルの設計思想を根本から問い直すものであり、物理AIの基盤技術に影響を与える可能性がある。空間構造を保持することで、物理予測の精度向上やオフライン学習の実現が期待され、ロボットの自律性向上につながる。また、身体表現の獲得メカニズムの解明は、人工知能の身体性理解にも寄与するだろう。