LLMの次なるフロンティア：Fei-Fei Liが描く「世界モデル」が拓く無限のマルチバース
現在、AIの世界は大規模言語モデル（LLM）の驚異的な進化によって目覚ましい変革を遂げています。ChatGPTに代表されるLLMは、人間の言葉を理解し、文章を生成する能力において、かつて想像もできなかったレベルに到達しました。しかし、この興奮の中で、AIの真の知能と将来性を問い直す声が上がっています。その最前線に立つのが、「AIのゴッドマザー」と称されるFei-Fei Li（フェイフェイ・リー）氏です。彼女は、LLMだけではAIのポテンシャルを最大限に引き出すことはできないと断言し、次なるフロンティアとして「世界モデル（World Model）」と「3D空間的知能」の重要性を提唱しています。
本記事では、Li氏が共同創設者兼CEOを務めるWorld Labsが目指す、3D空間を理解し、創造するAIのビジョンを深く掘り下げます。なぜLLMだけでは不十分なのか、3D空間的知能がどのようにして知能の「北極星の問題」を解決するのか、そしてこの次世代AIが私たちの働き方、遊び方、生き方をどのように変革し、「無限のユニバース」を拓くのかを、詳細かつ分かりやすく解説していきます。
AIの「ゴッドマザー」Fei-Fei Liが描く次世代AIのビジョン
[00:00:00] Fei-Fei Li氏が語り始める「3D空間」。それは単なる物理的な空間にとどまらず、私たちの心の目に見える空間、そして創造的な思考が生まれる空間を指します。彼女は、空間的知能こそが知能の根幹をなす要素であり、[00:00:10] 「知能の極めて重要な部分」だと強調します。
Fei-Fei Li氏の名前は、AI研究の歴史において特に輝かしい功績をいくつも残しています。特に、彼女がスタンフォード大学で率いたチームが構築したImageNetという大規模な画像データベースは、深層学習、特に畳み込みニューラルネットワーク（CNN）の発展を大きく加速させました。数百万枚の画像に人間がアノテーション（ラベル付け）を行ったこのデータセットがなければ、今日の画像認識AIの隆盛はあり得なかったでしょう。彼女は、AIに「データ」という概念を導入した先駆者として、現在のAIブームの礎を築いた人物の一人として広く認識されています。この功績から、投資会社a16zのGeneral PartnerであるMartin Casado氏が[01:15:37] 「Fei-Fei LiはAIのゴッドマザーだ」と称賛しているのも納得です。
[00:00:13] Li氏は、AIが無限のユニバースを創造できるようになると語り、その応用範囲をロボット、創造性、社会化、旅、ストーリーテリングにまで広げ、[00:00:23] 私たちが「マルチバース」の中で生きることを可能にすると壮大なビジョンを示します。しかし、この未来を実現するためには、現在のLLMでは不十分だというのです。[00:00:28] 彼女は、「LLMが私を納得させる必要はなかった。World Modelが重要だ」と明確に述べています。
なぜLLMだけでは足りないのでしょうか？それは、言語モデルが「言語」という抽象的な世界でのみ機能するからです。Li氏が描く未来は、AIが私たちの物理的な世界を深く理解し、その中で作用し、創造するものです。そのためには、単に言葉を操るだけでなく、現実世界の3D構造、物理法則、そしてその相互作用を把握する能力、すなわち「空間的知能」が不可欠なのです。
World Labs誕生秘話：知的パートナーシップが未来を拓く
[01:21:40] Fei-Fei Li氏がWorld Labsを立ち上げる際、最初の投資家としてMartin Casado氏を招き入れた理由を尋ねられると、彼女は二人の長年にわたる深い関係性について語り始めます。[01:23:17] 「私はMartinと10年以上前から知っているの。2009年にスタンフォードに若い助教授として赴任した時、Martinはちょうど博士号取得の最終段階だったわ。」
Casado氏はその後、非常に成功した起業家であり、現在はトップベンチャーキャピタルであるa16zのGeneral Partnerとして活躍しています。Li氏は、Casado氏を[01:54:19] 「私のユニコーン投資家」と表現し、彼が単なる資金提供者ではなく、[02:20:41] 「知的パートナー」として不可欠だったと説明します。[02:26:46] 「World Labsで私たちがやろうとしていることは、非常にディープテックなことだから。誰もやったことのないことをやろうとしているの。」
Li氏がWorld Labsで取り組むのは、まさしく「誰もやったことのない」根源的な問題です。それは、AIが単なるデータパターンを認識するだけでなく、私たちの物理世界を根本から理解し、その上で創造的な活動を行うことを可能にする「世界モデル」の構築です。このような深い技術的課題に挑むには、技術的な専門知識はもちろんのこと、ビジョンを共有し、困難な道のりを共に歩めるパートナーが不可欠でした。
[02:40:02] Li氏は、[02:40:02] 「コンピューターサイエンティストであり、AIの学生であり、製品、市場、顧客、そして市場投入を理解している人物」を求めていました。そして、[02:54:26] 「この（起業家としての）道のりにおいて、浮き沈みの中で起業家と共にあることができ、非常に洞察力があり、知識、助言、リソースをもたらすことができる人物」としてCasado氏に白羽の矢が立ったのです。
Casado氏もまた、Li氏のビジョンに深く共感し、その重要性を理解していました。[03:02:25] 彼は、ある昼食会でのエピソードを語ります。多くのAI研究者がLLMの話題で盛り上がる中、[03:39:51] Li氏がCasado氏に「何が足りないか知ってる？」と問いかけ、[03:40:55] 「世界モデルだ」と答えた瞬間、Casado氏の頭の中で全てが繋がったと言います。[03:42:07] 「私は長年にわたって高いレベルで考えていたんだけど、Fei-Feiがそれを完璧に明確にしてくれたんだ。」
この瞬間、二人の間に深いつながりが生まれ、World Labsの礎が築かれました。世界モデルの構築は、単なる技術的な挑戦にとどまらず、人類が世界をどのように理解し、どのように創造するかという根本的な問いへの挑戦なのです。
言語を超えた知能：なぜAIは「3D空間」を理解する必要があるのか
[06:05:07] Fei-Fei Li氏は、「私の知的探求は、企業や論文のためではなく、『北極星の問題』を見つけることにある」と語ります。彼女にとって、LLMが注目される現代においても、言語だけでは知能の全てを捉えきれないという確信があります。[06:25:01] 「言語は思考や情報を符号化する非常に強力な手段ではあるが、3Dの物理世界を符号化する強力な手段ではない。」
Casado氏は、言語と3D空間の理解の根本的な違いを明確にする思考実験を提示します。[08:09:07] 「もしあなたを目隠しして、部屋を言葉で説明したとして、その後に何かタスクを求めたら、それができる可能性は非常に低いだろう。例えば、『目の前にコップが10フィートの距離にあって、左側には…』といったように。」しかし、[08:34:55] 目隠しを外して実際に空間を見ることができれば、タスクの遂行は格段に容易になります。これは、脳が2Dの視覚情報から3Dの世界を再構築する能力を持っているためです。
[06:53:50] Li氏は、言語が「純粋に生成的なもの」であり、自然界には言語が存在しないことを指摘します。一方で、[07:07:05] 「物理的で知覚的な視覚の世界はそこに存在し、動物の進化史全体は知覚的で、最終的には具現化された知能に基づいて構築されている」と説明します。人間は単に生き残り、働き、生きるだけでなく、この物理世界を構築し、変化させることで文明を築いてきました。
この空間的知能の重要性は、科学の歴史の中にも見て取れます。Li氏は、[01:14:50] DNAの二重螺旋構造や[02:01:40] バッキーボール（フラーレンC60）といった発見を例に挙げます。これらは、言語だけでは推論できない3D構造を理解することによって初めて可能になった画期的な発見です。
Casado氏は、[08:58:08] 「なぜ言語モデルだけでは不十分だと気づいたのか？」という質問に対し、[09:04:47] 「言語が先に進んだのは、私たちがロボット工学に大変な労力を費やしてきたからだ」と答えます。彼は、自動運転車に1,000億ドル以上が投資されてきたにもかかわらず、まだ完全に自律走行が実現していないことを指摘します。[09:37:05] 「これは2Dの問題だ」。つまり、2Dの視覚情報だけでは、現実世界の複雑な3D環境を完全に把握し、予測することは極めて困難なのです。
[09:56:56] 「私たちの脳のうち、言語を扱う部分は実はかなり新しく、そして非効率だ」とCasado氏は言います。「だからコンピューターがそれをうまくやっても驚くことではない。」しかし、[01:00:50] 「空間ナビゲーションを扱う脳の部分は、何百万年も前から存在している」のです。
Li氏自身の個人的な経験も、この3D空間的知能の重要性を強く裏付けています。[01:57:33] 約5年前、彼女は角膜損傷により一時的に立体視（ステレオビジョン）を失い、文字通り片目で世界を見ていた時期がありました。[01:59:38] 彼女は自分の住む近所を運転するのも怖くなり、[02:00:09] 駐車された車との距離を正確に測ることができず、時速10マイル（約16km/h）ほどの低速でしか運転できなかったと言います。この経験から、Li氏は[02:02:44] 「ステレオビジョンがいかに必要だったか」を痛感しました。
このエピソードは、AIが人間のように物理世界を理解し、その中で安全かつ効率的に活動するためには、2D情報から3D空間を正確に認識・再構築する能力が不可欠であることを示しています。[01:03:57] 「物理学は3Dで起こり、相互作用は3Dで起こる。テーブルの裏側をナビゲートするには、3Dで物事が起こる必要がある。物理的であれデジタルの世界であれ、世界を構成するには3Dで起こる必要がある。」
「世界モデル」が実現する具体的な未来：無限の可能性を秘めたマルチバース
World Labsが目指す「世界モデル」は、AIが3D空間を深く理解し、操作する能力を獲得することで、私たちの生活、仕事、そして創造のあらゆる側面に革命をもたらします。
[01:29:43] Li氏は、「創造性は非常に視覚的だ」と述べ、World Modelの応用分野としてデザイン、映画、建築、産業デザインを挙げます。[01:29:43] 「創造性はエンターテイメントだけでなく、生産性や機械、多くのもののためのものになりうる」。3D空間を自在に操れるAIは、建築家が複雑な構造を設計したり、デザイナーが画期的な製品を生み出したりする際に、強力な共同制作者となり得ます。映画やアニメーションの制作においても、現実と見紛うばかりのシーンを瞬時に生成し、制作者の想像力を無限に拡張するでしょう。
[01:30:26] ロボティクスは、世界モデルの最も直接的な応用分野の一つです。Li氏は、ロボットを「あらゆる具現化された機械」と定義し、人型ロボット、自動車、産業用ロボットなど、その全てが自身の存在する3D空間を理解し、その中で訓練され、人間と協力して行動する必要があると強調します。世界モデルは、ロボットが物理的な環境を正確にマッピングし、物体の形状、質感、動きを予測し、安全かつ効率的にタスクを実行することを可能にします。これにより、製造業、物流、医療、探査など、多様な分野でロボットの能力が飛躍的に向上するでしょう。
[01:30:08] さらに、Li氏は、ソーシャリゼーション、旅行、ストーリーテリングといった分野でも、3D空間的知能が新たな可能性を切り開くと語ります。仮想空間での交流がよりリアルになり、遠隔地への「旅行」体験が没入感を増し、インタラクティブなストーリーテリングが進化するかもしれません。
Casado氏は、[01:50:07] 「これらのモデルを使えば、2Dの世界のビュー（画像）を取り込み、見ていないものも含めて、完全な3Dの表現を生成できる」と説明します。これは、写真一枚から、その空間のあらゆる角度からのビューや、隠れた部分までを再構築できる能力を意味します。つまり、AIが現実世界を「丸ごと」理解し、その上で新しい要素を生成・操作することが可能になるのです。
[01:52:19] 「それによって何ができるのか？」。Casado氏は続けます。「それを操作したり、動かしたり、測定したり、積み重ねたりすることができる。空間でできることは何でもできるようになる」。これは、ビデオゲームから建築、アート、デザインに至るまで、あらゆる分野で創造と革新の波を引き起こすでしょう。
Fei-Fei Li氏もまた、[01:06:05] LLMの成功、特にChatGPTやその他の基盤モデルのブレークスルーが、世界モデルの実現をさらに近づけたと語ります。言語生成と3D空間の再構築という異なる技術が、相乗効果を発揮することで、AIは[01:07:37] 「無限のユニバース」を創造できるようになるのです。
3D知能への道：技術的ブレイクスルーとWorld Labsの挑戦
3D空間をAIに理解させることは、一筋縄ではいかない極めて難しい問題です。しかし、近年、この課題を解決するための画期的な技術的ブレークスルーが生まれています。
Fei-Fei Li氏は、[01:50:50] 「NeRF（Neural Radiance Fields）」と[02:01:25] 「Gaussian Splatting」という技術の重要性を指摘します。これらは、複数の2D画像から3Dシーンを高精度に再構築するディープラーニングベースの手法であり、フォトリアリスティックな3Dコンテンツ生成において大きな進歩をもたらしました。特に、Li氏の共同創設者であるBen Mildenhall氏が[01:58:34] NeRFのパイオニア的な研究に関わっており、[02:00:23] 彼の研究とバークレーの同僚たちの仕事が、3D再構築における深層学習の活用という点で世界を席巻したと述べています。また、もう一人の共同創設者であるJustin Johnson氏も、[02:00:30] 深層学習を用いた画像生成における基礎的な研究を数多く手掛けてきました。
World Labsは、これらの技術的進歩を基盤として、3D空間的知能の「北極星の問題」に焦点を当てています。[02:10:04] Li氏は、同社が「世界で最も賢い人々」をコンピュータービジョン、拡散モデル、コンピューターグラフィックス、最適化、AIといった多岐にわたる分野から集結させていると説明します。[02:11:32] 「私たちは、この単一の、特異で、大きな北極星の問題に全力を注ぐ」。
この分野はLLMと比較してまだ「新しい研究領域」と見なされることもありますが、Li氏は、コンピュータービジョンの分野では、これまでも3D再構築に関する断片的な研究が行われてきたことを強調します。[02:15:37] 「アカデミアでも、産業界でも、様々なことが起こっていたが、World Labsでは、私たちはこの一つの大きな、特異な北極星の問題に全力を注ぐという確信を持っているんだ。」
結論：3D知能が拓く、人類とAIのマルチバース
AIの未来は、単に言語を理解し、言葉を生成する能力にとどまりません。Fei-Fei Li氏が提唱する「世界モデル」が示すように、物理的な3D空間を深く理解し、その中で創造的かつインタラクティブに活動する知能こそが、次なる大きなフロンティアです。
LLMが思考や情報を抽象的なレベルで扱う一方、世界モデルは現実の「世界」そのものをAIのモデルの中に取り込みます。これにより、AIはロボットのように物理的な環境をナビゲートし、建築家のように新しい構造を設計し、アーティストのように3Dオブジェクトを創造できるようになります。私たちの想像力は、これまで物理的な制約や技術的な困難によって制限されてきましたが、3D空間的知能を持つAIがその制約を打ち破り、「無限のユニバース」を解き放つ可能性を秘めています。
World Labsのような先駆的な取り組みは、まさにこの革命の最前線に立っています。彼らが目指すのは、単なる技術開発に終わらず、人間とAIが共存し、共同で創造する「マルチバース」の時代を到来させることです。物理法則に縛られた現実世界と、AIが創造する無限の仮想世界がシームレスに融合する未来。それは、私たちの働き方、社会との関わり方、そして自己実現のあり方を根本から再定義するでしょう。
Fei-Fei Li氏の言葉を借りれば、[01:40:48] 「突然、私たちは無限のユニバースを実際に創造できるようになる」のです。AIの旅はまだ始まったばかり。3D空間的知能という新たなフロンティアが、人類とAIの協調によって、想像をはるかに超える未来を拓くことを期待せずにはいられません。