公開：2026年9月27日, 最終更新：2026年9月27日
「物体永続性（Object Permanence in AI World Models）」とは、物体が遮蔽物の陰に隠れて視界から消えた後も存在し続けると理解・追跡する能力であり、元々は発達心理学における乳幼児の認知発達の指標である。近年のビデオ生成AIやロボティクス・自動運転といった「物理AI」分野において、この能力をモデルに習得させることが重要課題として認識されている。
概要
ビデオ生成モデルやワールドモデルがこの能力を欠くと、遮蔽された物体が突然消滅したり、不自然に変形・瞬間移動したりするなど、物理法則を無視した出力が生じる。物体永続性は、AIが現実世界の物理的な一貫性を正しく保つための根幹的な要件として位置づけられる。
2026年9月23日にarXiv（arXiv:2609.28654）で公開された論文「Training Object Permanence in World Models」は、南カリフォルニア大学・カーネギーメロン大学・ミシガン大学・ジョンズ・ホプキンス大学など複数機関の共同研究チームによるもので、この課題に体系的に取り組むためのデータ基盤と評価手法を提示した。
仕組み・ポイント
研究の中核となるのが、WROP（World Reasoning with Object Permanence） と呼ばれるデータインフラである。認知科学に着想を得て手設計された150の3D合成タスクで構成され、以下の2つの認知次元と6つのタスク群に分類される。
- 物体永続性（Object Permanence, OP）
– Baillargeonian Occlusion（動的遮蔽）
– Object Static Occlusion（静的シーン遮蔽）
– Container Permanence（容器内隠蔽）
- 物体堅固性（Object Solidity, OS）
– Baillargeonian Obstruction（障害阻害）
– Object Drop（落下）
– Object Collision（衝突）
データ生成にはBlenderベースのジェネレータを使用し、速度・照明・カメラ角度といったノイズパラメータをランダム化しながらも各タスクの認知構造は維持される。これにより、モデルが視覚パターンの暗記に頼らず、根本的な物理ロジックを学習できる設計となっている。トレーニングコーパスは150万サンプル（各タスク1万サンプル以上）、評価用として300問の試験も公開されている。
この研究チームはさらに、PWM-WROP（16B） と呼ばれる160億パラメータの物理ワールドモデルを開発した。NVIDIAのCosmos3-NanoモデルをベースにWROPデータセットでファインチューニングされており、AWS Trainium2上のネイティブPyTorchトレーニングスタック「PWM」を用いて訓練されている。300問の試験で14のビデオモデルを評価した人間によるブラインド一対比較（Eloレーティング）では、PWM-WROPはcontinuation（動画継続）モデルの中で1位、全体でも3位にランクインした。
なぜ今注目されているのか
ロボティクスや自動運転など、AIが現実の物理環境と相互作用する「物理AI」の用途が急速に広がる中、仮想空間でのパターン認識だけでなく、物体の状態や動きを時間軸を通じて一貫して追跡する能力への要求が高まっている。ビデオ生成モデルの品質評価においても、視覚的な美しさだけでなく物理的な妥当性が問われるようになっており、その定量的な評価基盤の整備が急務とされていた。WROPはこの課題に対し、認知科学の知見を援用しながら体系的な訓練・評価の枠組みを提供する試みとして、研究コミュニティからの注目を集めている。
日本企業への示唆
製造業・物流・自動運転など物理的な環境でAIを活用する日本企業にとって、ワールドモデルの物体永続性は製品・サービスの信頼性に直結する技術要件である。WROPのような公開データ基盤を活用することで、自社モデルの物理の一貫性を定量的に評価・改善するサイクルを構築できる可能性がある。一方、このデータは3D合成環境で生成されたものであるため、実際の産業環境への適用にあたっては自社ドメインのデータとの組み合わせを慎重に検討する必要がある。物理AIへの投資を検討する経営層は、モデルの見た目の精度だけでなく物理的な推論能力を評価する指標を調達・開発プロセスに組み込むことが今後の競争力確保につながるだろう。
※ 本ページはAI News JAPAN編集部が最新の動向を踏まえて解説したものです。内容は随時見直します。
