スタートアップ分析
AMI LabsとYann LeCunのワールドモデル：JEPAから読むAI研究の論点
次トークンを当てる能力で強いモデルと、映像・センサー・行動から世界の内部表現を学ぶモデルは、どこで設計思想が分岐するのか。正式名称 Advanced Machine Intelligence Labs（AMI Labs）は、有名研究者の独立や巨大な資本調達という切り口で語られがちですが、私はこの会社を「その分岐点を看板にした研究プロジェクト」として読むべきだと考えます。
金額や投資家名は報道のたびに切り出され、すぐ古くなります。AMI Labs の公式サイトが公開している mission と、Meta AI が公開している JEPA・V-JEPA の研究解説という一次資料に照らして読み直すほうが、長く使える理解になります。
私がこのテーマを資本ニュースの角度から読みたくないのは、単純な問題意識からです。技術系の話題は、金額や人物の知名度で語られた瞬間に、その技術が実際に何を解こうとしているかという設計思想の話が後景に退きやすいと考えています。AMI Labs のように公式サイトと研究解説という一次資料が公開されている場合は特に、報道の切り出し方より一次資料の記述を先に読むべきだ、というのが以降の立場です。
私はロボティクスや自動運転の実装当事者ではありません。だから、産業応用が実際にうまくいくか、AMI Labs が競争に勝つかは判断しません。私が境界の中で言えるのは一点だけです。world model の時代に日本企業が今できるのは、どのモデルを選ぶかではなく、自社の映像・センサー・作業ログを「時系列でつながり、失敗例が残り、メタデータを持つ」学習可能な形に整えることだ、という主張です。ここが覆されたら、朝令暮改します。
読み方の前提として、AMI Labs の公式サイトが示す mission と、Meta AI が公開している JEPA / V-JEPA の研究解説を主な典拠にします。資本政策・投資家名・金額・リリース時期は本文の結論には使いません。ワールドモデルは特定の製品名ではなく、物理世界を内部表現として扱う研究テーマとして読みます。
前提：生成と表現学習を分けて読む
以降で使う2つの言葉を先に固定しておきます。
生成モデルは、ピクセルや単語そのものを出力し、元の入力にどれだけ近く再現できたか（再構成誤差）で評価される設計です。表現学習（JEPA の設計思想をこの言葉で読みます）は、細部を捨て、タスクに必要な抽象構造だけを埋め込み空間の中で予測する設計です。
風に揺れる木で考えると違いがわかります。生成モデル的な発想は、一枚一枚の葉の位置を描き切ろうとします。表現学習的な発想は、葉の位置は捨てて「物体がどちらへ動きそうか」「接触したら何が起きるか」「安全に止まれる余地があるか」という粗い構造だけを残します。ロボットや自動運転に必要なのは後者です。
この区別を軸に、JEPA・I-JEPA・V-JEPA を一貫して「表現学習」の語で説明します。
LeCunの問題設定：テキストだけでは世界を持てない
LeCun の主張を要約すると、テキストの次トークンを当てる能力だけでは、物理世界の理解に必要な内部モデルには届きにくい、というものです。LLM は文章、コード、知識検索、対話には強い一方で、空間、時間、接触、力、失敗時のリカバリーを直接学んでいるわけではありません。
ロボットが箱を押す、車が歩行者の動きを見ながら減速する、工場設備が振動や温度の変化から異常を読む。こうした場面では、言葉よりも映像・センサー・行動・結果のつながりが重要になります。生成モデルのようにすべてを出力しようとすると、動画のように情報量が大きい入力では負荷が重くなります。表現学習で抽象構造だけを残す設計が候補になるのは、この負荷を抑えるためです。
LLMとワールドモデルの役割差
JEPAの読み方
JEPA は Joint Embedding Predictive Architecture の略です。日本語にすると「同じ埋め込み空間の中で、入力の一部から別の部分の表現を予測する仕組み」です。入力を encoder で表現に変換し、既知の部分（context）から未知の部分（target）の表現を読む。ノイズや無意味な差分は落とし、タスクに必要な構造だけを残します。
I-JEPA は画像を対象にした代表例です（Meta AI, I-JEPA解説）。画像の一部を隠し、残りの領域の表現を読むことで意味構造を学びます。重要なのは、欠けたピクセルを描き直すことではなく、画像全体の関係性を内部表現として持つことです。
V-JEPA は動画に拡張した研究です（Meta AI, V-JEPA解説）。動画の一部から別の部分の表現を読むことで、物体の動きやシーン変化を学ぶ方向性が示されています。動画はテキストより情報量が大きく細部も多いため、すべてを生成する設計は重くなります。表現空間で扱う JEPA は、負荷を抑えながら物理世界の構造を学ぶための候補です。
JEPAの学習プロセス
AMI Labsをどう見るか
AMI Labs の公式サイトは real world intelligence を前面に出していますが、利用者がすぐ触れる汎用アプリや API の仕様を細かく説明している段階ではありません。短期の製品ロードマップを決め打ちするより、研究会社としてどの問題を解こうとしているかを追うほうが実情に合います。
「LLM vs world model」という対立の構図は実務的ではありません。テキスト・計画・説明・コード生成には LLM が向き、映像・センサー・制御には表現学習が必要になる、という役割分担のほうが自然です。将来のシステムは、言語モデルが指示や推論の窓口を担い、world model が物理世界の状態理解を担う形で組み合わさるかもしれません。AMI Labs を読む際も、置き換えか補完かを固定せず、どの階層を狙っているかを見るべきです。
計算資源の規模は話題になりやすいものの、それだけでは何を学べるかは決まりません。より大事なのは、どのデータを、どの抽象度で、どのタスクに結びつけるかです。そして、物理世界を扱う AI は失敗時の影響が大きいため、ロボット・自動運転・医療・製造設備では、モデルの精度だけでなく人間の承認、停止条件、ログ、検証環境、責任分界が要ります。AMI Labs がどのような安全設計を示すかは、技術発表と同じくらい重要な確認項目です。
ワールドモデルの応用分野
応用領域を「学習可能なデータ」の軸で並べ替える
ロボティクス、自動運転、産業プロセス、ヘルスケアは、しばしば並列の応用例として紹介されます。しかし世界モデルの文脈で意味があるのは、業界名の違いではなく、各領域が「時系列でつながり、失敗例が残り、メタデータを持つ」データをどれだけ持っているかです。
ロボティクスと自動運転は、カメラ・LiDAR・行動ログという形で、この条件に比較的近づきやすい領域です。物体の位置・摩擦・重さ・接触・失敗時の戻し方が、行動の前後関係とともに記録されます。産業プロセスは、センサー値自体は大量にあっても、異常検知に必要な「単一の数値ではなく設備全体の状態変化」として整理されているかは現場ごとに差があります。ヘルスケアは、身体の状態変化・検査値・画像・臨床記録という多様なデータがある一方、安全性と説明責任の要求が高く、研究段階の主張をそのまま業務導入の根拠にするのは危険です。
つまり、応用領域の魅力度ではなく、学習可能なデータが今すでに揃っているか、これから整備が必要かで並べ替えると、企業が動かせる順番が見えてきます。
日本企業への示唆：モデル選びより先にやることがある
日本の製造業、ロボティクス、自動車、素材産業は、world model の議論と相性があります。ただし、私は特定企業とすぐ組むことを勧めません。先にやるべきは、自社の映像・センサー・作業ログが学習可能な現場データ——時系列でつながり、失敗例が記録され、メタデータを持つデータ——になっているかどうかの点検です。
ログが分断されている、メタデータがない、失敗例が記録されていない、現場の暗黙知がデータ化されていない。この状態を、学習可能な現場データの対極にある「学習不能な状態」と呼ぶことにします。どれだけ強い基盤モデルが登場しても、学習不能な状態のデータからは活用が始まりません。モデル選びが先に来る順番は、私は間違っていると考えます。
この4条件は、それぞれ独立の問題ではなく連鎖しやすいものだと考えています。ログが分断されていれば、時系列で前後関係をたどれないためメタデータの付与自体が難しくなり、メタデータがなければ失敗例だけを抽出して残すという運用も定着しません。結果として、現場の暗黙知は「担当者の頭の中にある」状態のまま更新され続け、データとしては最後まで残らない。どれか一つを直せば済む話ではなく、点検すべきは連鎖の起点がどこにあるかだ、というのが私の見立てです。
LLM の評価では、回答品質、検索精度、コスト、セキュリティが主な論点になります。world model を含む物理世界の AI では、それに加えて、環境変化への頑健性、センサー欠損、シミュレーションと実環境の差、停止条件、人間の介入設計が必要です。技術発表を読むときは、どの種類のデータで学んでいるか、何を出力しているか（画像そのものか、抽象表現か、行動計画か）、実環境とシミュレーションの差をどう扱っているか、失敗時の停止条件と人間の介入点があるか、ベンチマークが実務タスクに近いか、を確認してください。
今動かせることと、待つしかないこと
正直に言うと、私はこの分野の事例をまだ十分に見られていないという自覚があります。だからこの記事は結論を急ぐためではなく、AMI LabsとJEPA研究という一つの事例を通じて自分の理解を検証するための素振りとして書いています。
この記事の材料を、時期の軸で並べ替えて閉じます。
今動かせること——自社の映像・センサー・作業ログが時系列でつながっているか、失敗例が記録されているか、メタデータが整っているかの棚卸しは、AMI Labs や他社の技術発表を待たずに始められます。LLM に任せる部分と、環境理解モデルが必要になる部分を分けて考えることも同様です。
待つしかないこと——AMI Labs や競合の技術発表が、どのデータで学び、何を出力し、実環境との差をどう扱い、停止条件をどう設計しているかは、公開情報が増えるまで確認のしようがありません。ここを急いで予測しても、次の発表で外れます。
私が持っている問いは、資本ニュースの大小ではなく、自社のデータが world model の時代に耐える形になっているかどうかです。答えが出たわけではないので、この記事は素振りとして書きました。続けようと思います。
関連記事
参考リソース
- AMI Labs: Real World. Real Intelligence.
- I-JEPA: The first AI model based on Yann LeCun's vision - Meta AI
- V-JEPA: The next step toward advanced machine intelligence - Meta AI
- The next AI revolution could start with world models - Scientific American
- Yann LeCun's AI startup coverage - Sifted
本記事はネクサフローのAI研究シリーズの一部です。
