AIhubコーヒーコーナー：ワールドモデル

今月のAIhubコーヒーコーナーでは、バージニア工科大学のSanmay Das、カリフォルニア大学アーバイン校のRina Dechter、オレゴン州立大学のTom Dietterich、ブリストル大学のSabine Hauert、ブラウン大学のMichael Littman、ベルゲン大学のMarija Slavkovikが参加し、「ワールドモデル」について熱心な議論を交わしました。

Sabine Hauert氏は、ワールドモデルに多額の投資が集まっていることに触れ、NVIDIAがブリストルロボティクス研究所で実施した研修で、ロボットポリシーの訓練に有用なシミュレーション環境を生成するワールドモデルが紹介されたと報告しました。彼女は、その可能性に魅了された一方で、これが言語処理をビデオに拡張しただけなのか、それともロボット工学に直接役立つ環境を生成できる「聖杯」なのか疑問を呈しました。

Michael Littman氏は、ワールドモデルの伝統的な定義を説明しました。強化学習では遷移モデルとも呼ばれ、世界の状態と行動から次の状態の確率分布を予測します。良いワールドモデルがあれば、現実世界で試行錯誤する代わりに計画を立てられます。例えば、カメラに向かってチョコレートを投げる動作の結果を事前に推論できます。

しかし、ビデオからワールドモデルを学習するのは困難です。現実世界のすべての状態を計測することは不可能だからです。大量のビデオで訓練すると、ビデオ生成器のようなものになる可能性があります。一方、Yann LeCun氏の新会社AMIは、化学プラントなどのデジタルツインとしてワールドモデルを活用することを目指しています。

Tom Dietterich氏は、この用途はデジタルツインに類似していると指摘しました。ただし、モデルの検証が課題です。自動運転車の企業は、致命的な衝突を避けるためにモデルを構築しますが、異常状態での一般化性能の評価方法が不明確です。

Sanmay Das氏は、自然言語処理では言語の特性を理解しなくても効果的なモデルが構築されたと述べ、ワールドモデルも同様に、単なる時系列予測タスクになる可能性を示唆しました。Rina Dechter氏は因果モデルの観点から、ワールドモデルは因果関係や反事実の質問に答えられるべきだと主張しました。

Marija Slavkovik氏は、Nianticが『ポケモンGO』を通じて収集したデータを世界モデルに利用している例を挙げ、単なる世界のモデルとワールドモデルの違いについて疑問を投げかけました。

Sabine氏はNVIDIAの手術例に戻り、内視鏡と柔らかい組織の相互作用をビデオから学習したモデルが、多くのインスタンスを生成できる一方、浮遊する内視鏡のような不完全さがあると指摘しました。彼女はこのような特化した応用こそが重要であり、大げさな用語を使う必要はないと述べました。

Sanmay氏は、言語モデルが再帰的な予測で成功した例を挙げ、ワールドモデルも同様にビデオの逐次予測から複雑な動作系列を導き出せる可能性を示唆しましたが、楽観視していません。Tom氏は、言語には部分観測性の問題がないのに対し、ロボット操作では触覚情報が不足し、物理特性の推論が難しいと指摘しました。

最後にSabine氏は、労働者の手首のデータを収集してロボットアームを訓練する企業の例を挙げ、必要なデータ量が言語の成功例と比較して膨大であると述べ、ロボティクスコミュニティはまだ方向性を模索中だと結論づけました。Rina氏は、大規模モデルが何をしているのか完全には理解されていない点を指摘し、今後の研究の重要性を強調しました。