PAN、汎用・対話可能・長期的な世界モデルを発表 言語指示による映像シミュレーションを実現

何が起きたか

2025年11月12日、arxiv.orgに投稿された論文で、PAN（Generative Latent Predictionアーキテクチャに基づく世界モデル）が発表された。PANは、LLMを基盤とした自己回帰的潜在ダイナミクスと映像拡散デコーダを統合し、自然言語の行動指示に応じて将来の世界状態を高品質な映像として予測する。大規模なビデオ・行動ペアで訓練され、オープンドメインで行動条件付きのシミュレーションを実現する。

詳細

PANは、Generative Latent Prediction (GLP) アーキテクチャを採用している。このアーキテクチャは、LLMに基づく自己回帰的潜在ダイナミクスバックボーンと、映像拡散デコーダを組み合わせる。LLMはテキストベースの知識を活用し、言語で指定された行動への条件付けを可能にする。映像拡散デコーダは、知覚的に詳細で時間的に一貫した視覚観測を再構成する。これにより、潜在空間での推論（想像）と実現可能な世界ダイナミクス（現実）の統合を目指す。訓練には、多様な領域をカバーする大規模なビデオ・行動ペアが使用され、オープンドメインで行動条件付きのシミュレーションをサポートする。

Key Facts

本紙の見方

今回のPANは、世界モデル研究における新たな方向性を示すものだ。従来の映像生成モデルは、プロンプトから完全な映像を生成する方式が主流で、因果制御や対話性、長期一貫性に欠けていた。一方、既存の世界モデルは物理、ゲーム、3Dシーンなど特定の領域に限定され、汎用性や制御性に課題があった。PANは、LLMと映像拡散モデルを統合することで、言語による行動指示を可能にし、オープンドメインでのシミュレーションを実現しようとする点で、これらの限界を克服する試みと言える。 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的な言及は避けるが、世界モデル分野の進展として、映像生成と推論の融合が進んでいる流れの延長線上にあるとみられる。 業界構造への含意としては、世界モデルがロボティクスや自動運転、ゲーム、シミュレーションなど幅広い分野での応用可能性を持つ。PANのような汎用的な世界モデルが実用化されれば、シミュレーション環境の構築コストを大幅に削減し、AIエージェントの訓練や計画に革新をもたらす可能性がある。特に、言語による行動指示が可能な点は、人間とAIのインタラクションを自然にし、複雑なタスクの自動化に寄与するだろう。 未確定の論点としては、PANの実世界での性能や、計算リソース、訓練データの規模、実用化に向けた課題が挙げられる。論文では実験結果が示されているが、実環境での応用にはさらなる検証が必要だ。また、LLMと映像拡散モデルの統合による計算コストや、長期予測の精度、安全性なども今後の焦点になる。

なぜ重要か

PANは、世界モデルの研究を一歩前進させるものであり、AIが環境を理解し、行動の結果を予測する能力の向上に寄与する。これにより、ロボット制御や自動運転、コンテンツ生成など、さまざまな分野での応用が期待される。読者にとっては、AIの進化が現実世界のシミュレーションをより柔軟かつ対話的にする可能性を示す重要な一歩となる。