PhiZeroは「フィジカル・ランゲージ」の先駆者であり、AIの世界モデルが人間のように思考できるようにしています
大規模モデルが主流となっている今日の状況において、動画生成は「体現された知能」の基盤となるシミュレータとしてますます注目されています。しかし、主流のアプローチの多くはピクセル空間での直接予測に依存しており、その結果、物理法則が不安定になったり一貫性を欠いたりすることがよくあります。この業界が直面する重大な課題を解決するため、私たちの研究チームは、新しい物理世界モデル「PhiZero 」を正式に発表しました。 従来のブラインド予測の枠を超え、PhiZeroは「物理言語」を革新的に取り入れることで、AIが動画生成に先立って明示的な物理的推論を行えるようにします。
PhiZeroの中核には、「物理言語」と呼ばれる離散的な表現が導入されています。この言語は、膨大な屋外動画データセットを用いた自己教師付き学習を通じて、状態遷移パターンを抽出し、多様な視覚的文脈にわたる動的な変化の法則を捉えます。 これを活用し、本モデルは「推論優先、その後レンダリング」というアーキテクチャを採用しています。まず、物理言語空間内で将来の世界の進化軌道を自律的に推論し、次にこれらを専用の拡散デコーダに渡して高精細な動画合成を行います。この基礎となるダイナミクスシミュレーションとピクセルレベルの合成の分離により、物理的な一貫性が大幅に向上します。

技術的には、このシステムはトークナイザーと推論器の2つの主要モジュールで構成されています。物理言語トークナイザーは、遷移レベルのQ-Formerを用いて隣接する状態間の変化を捉え、限定的なスカラー量子化を通じてコンパクトな離散シンボルを生成します。その後、拡散デコーダーが初期フレームとこれらの離散シンボルに基づいて詳細な映像を再構築します。 一方、事前学習済みの視覚言語モデルで初期化された物理言語推論器は、最初のフレームとテキストベースのアクション意図が与えられると、将来の物理言語シーケンスを正確に予測します。

ベンチマーク評価により、PhiZeroがPhysics-IQ Verified、PhyGround、WorldModelBenchを含む複数の物理推論および動画生成テストにおいて、最先端の性能を達成していることが確認されました。衝突による物体の変位、重力による変形、あるいは複雑な連鎖反応のいずれに対しても、本モデルは極めて現実的な物理的妥当性を示しています。
エンボディド・インテリジェンスとロボティクスの発展が加速する中、PhiZeroの リリースは、制御可能でインタラクティブな世界モデリングに向けた新たな道を切り拓きます。本モデルは、長期シミュレーションやモーション転送のシナリオにおいて、極めて重要な役割を果たすことが期待されています。
関連記事
米国の株式市場が歴史的なマイルストーンに到達、AIと航空宇宙の巨人が1兆ドル規模のデビューに向けて準備を進める
エロン・マスク、サム・アルトマン、ダリオ・アモダイというテクノロジー業界の三巨頭が、それぞれの事業で初公開株式発行(IPO)に向けて進んでいる。スペースX、OpenAI、Anthropicという業界の巨人3社が1兆ドル規模の企業価値に近づき、上場準備を進める中、2026年は米国史上、新規株式発行が最も重要な年となる見込みだ。この歴史的な資金増強は世界の金融の注目を集めており、公的市場がこのような規模の資金を吸収する能力に対する重要なストレステストとなっている。これらの主要な資金調達が一斉に開始
スウェーデンのAIスタートアップ「Lovable」が主要な資金調達ラウンド終了後、132億ドルの評価額を達成
AI駆動のコーディングツールが注目を集める中、スウェーデンのスタートアップ企業Lovableは大型の資金調達ラウンドを獲得した。同社は30億ドルの調達を目指しており、これにより評価額が昨年12月に記録された66億ドルの倍となる132億ドルに達する可能性がある。この投資をリードするのはMenlo Venturesと見られている。Lovableの魅力は、複雑なコーディングスキルを不要とし、ソフトウェア作成を簡素化する中核の「ヴァイブコーディング」技術に由来する。ユーザーは自然言語で要件を記述するだ
Google、Geminiへの焦点がユーザー制御へシフトする中で、Remy AIエージェントをテスト
『Business Insider』によると、GoogleはGemini向けの新しいAIパーソナルエージェント「Remy」をテスト中である。このツールはユーザーに代わってタスクを実行することを目的としており、業務フローと日常のルーチンの両方を効率化する。現在、RemyはGeminiアプリケーションの社内限定版においてテストが行われている。この報道は社内文書と、プロジェクトに精通した2人の人物へのインタビューを引用している。社内資料では、Remyを「24時間365日のパーソナルエージェント」と位
関連特集おすすめ
コメント (0)
0/500
大規模モデルが主流となっている今日の状況において、動画生成は「体現された知能」の基盤となるシミュレータとしてますます注目されています。しかし、主流のアプローチの多くはピクセル空間での直接予測に依存しており、その結果、物理法則が不安定になったり一貫性を欠いたりすることがよくあります。この業界が直面する重大な課題を解決するため、私たちの研究チームは、新しい物理世界モデル
PhiZeroの中核には、「物理言語」と呼ばれる離散的な表現が導入されています。この言語は、膨大な屋外動画データセットを用いた自己教師付き学習を通じて、状態遷移パターンを抽出し、多様な視覚的文脈にわたる動的な変化の法則を捉えます。 これを活用し、本モデルは「推論優先、その後レンダリング」というアーキテクチャを採用しています。まず、物理言語空間内で将来の世界の進化軌道を自律的に推論し、次にこれらを専用の拡散デコーダに渡して高精細な動画合成を行います。この基礎となるダイナミクスシミュレーションとピクセルレベルの合成の分離により、物理的な一貫性が大幅に向上します。

技術的には、このシステムはトークナイザーと推論器の2つの主要モジュールで構成されています。物理言語トークナイザーは、遷移レベルのQ-Formerを用いて隣接する状態間の変化を捉え、限定的なスカラー量子化を通じてコンパクトな離散シンボルを生成します。その後、拡散デコーダーが初期フレームとこれらの離散シンボルに基づいて詳細な映像を再構築します。 一方、事前学習済みの視覚言語モデルで初期化された物理言語推論器は、最初のフレームとテキストベースのアクション意図が与えられると、将来の物理言語シーケンスを正確に予測します。

ベンチマーク評価により、PhiZeroがPhysics-IQ Verified、PhyGround、WorldModelBenchを含む複数の物理推論および動画生成テストにおいて、最先端の性能を達成していることが確認されました。衝突による物体の変位、重力による変形、あるいは複雑な連鎖反応のいずれに対しても、本モデルは極めて現実的な物理的妥当性を示しています。
エンボディド・インテリジェンスとロボティクスの発展が加速する中、
米国の株式市場が歴史的なマイルストーンに到達、AIと航空宇宙の巨人が1兆ドル規模のデビューに向けて準備を進める
エロン・マスク、サム・アルトマン、ダリオ・アモダイというテクノロジー業界の三巨頭が、それぞれの事業で初公開株式発行(IPO)に向けて進んでいる。スペースX、OpenAI、Anthropicという業界の巨人3社が1兆ドル規模の企業価値に近づき、上場準備を進める中、2026年は米国史上、新規株式発行が最も重要な年となる見込みだ。この歴史的な資金増強は世界の金融の注目を集めており、公的市場がこのような規模の資金を吸収する能力に対する重要なストレステストとなっている。これらの主要な資金調達が一斉に開始
スウェーデンのAIスタートアップ「Lovable」が主要な資金調達ラウンド終了後、132億ドルの評価額を達成
AI駆動のコーディングツールが注目を集める中、スウェーデンのスタートアップ企業Lovableは大型の資金調達ラウンドを獲得した。同社は30億ドルの調達を目指しており、これにより評価額が昨年12月に記録された66億ドルの倍となる132億ドルに達する可能性がある。この投資をリードするのはMenlo Venturesと見られている。Lovableの魅力は、複雑なコーディングスキルを不要とし、ソフトウェア作成を簡素化する中核の「ヴァイブコーディング」技術に由来する。ユーザーは自然言語で要件を記述するだ





家






