Meta は12億パラメータのワールドモデル V-JEPA 2 をリリースし、ロボット知能における大きな飛躍を示した。このモデルは、特定のシナリオに対する事前訓練なしに、新しい環境で未知の物体を使ったピック・アンド・プレース作業を実行でき、65-80%の成功率を達成している。この画期的な成果は、このような性能レベルが実世界での展開に準備ができているかどうかについて、技術コミュニティで激しい議論を引き起こしている。
** V-JEPA 2 主要仕様:**
- モデルサイズ: 12億パラメータ
- 訓練データ: 100万時間以上の動画、100万枚の画像
- ロボット訓練データ: アクション条件付けに必要なのはわずか62時間
- 成功率: 新しい環境でのピック・アンド・プレース作業で65-80%
- アクション計算時間: 16秒（従来のアプローチの4分に対して）
80%成功率論争
コミュニティは、V-JEPA 2 の性能指標が画期的な成果を表すのか、それとも残る限界を浮き彫りにするのかで分かれている。80%の成功率は一見すると期待外れに思えるかもしれないが、専門家らは、これまでのアプローチがわずか15%の成功率しか達成できなかったことと比べて大幅な改善を表していると指摘している。さらに重要なことに、これは追加の訓練なしに全く新しい物体や環境を扱えるゼロショット能力を実証した初のシステムである。
議論は商用実用性を中心に展開されている。一部の人々は、80%の成功率であれば、人間の監督者が20%の失敗ケースを処理する産業環境で機能し、全体的な労働コストを削減できる可能性があると主張している。しかし、他の人々は人間のエラーと比較した AI の故障の予測不可能な性質について懸念を示し、人間は予測可能な方法で失敗するが、AI システムは破滅的で危険な失敗をする可能性があると指摘している。
パフォーマンス比較:
- V-JEPA 2: 65-80%の成功率（ゼロショット、新環境）
- 従来のアプローチ: 約15%の成功率
- 物理学ベンチマークにおける人間のパフォーマンス: ほぼ完璧な精度
- 物理学ベンチマークにおける現在のAIモデル: ランダムチャンスに近い
技術アーキテクチャと訓練アプローチ
V-JEPA 2 は2つの主要コンポーネントを持つ結合埋め込み予測アーキテクチャを使用している：生の動画を意味的埋め込みに処理するエンコーダと、将来の状態を予測するプレディクタである。訓練プロセスは2段階で構成され、まず100万時間を超える多様な動画コンテンツから学習し、その後わずか62時間のロボット相互作用データで微調整を行う。
このアプローチは従来の言語モデルとは根本的に異なる。離散的なトークンを予測する代わりに、V-JEPA 2 は連続空間で埋め込みを予測し、これは無数の可能な結果が存在する物理世界により適している。システムは結果を想像し、目標に向けた最適な経路を選択することで行動を計画でき、これは人間が行動する前に結果を頭の中でシミュレーションする方法と似ている。
結合埋め込み予測アーキテクチャ：生のピクセルやトークンを直接予測するのではなく、抽象的な表現空間で将来の状態を予測することを学習する機械学習アプローチ。
性能改善と速度向上
成功率を超えて、V-JEPA 2 は驚くべき効率改善を実証している。システムはわずか16秒で行動を計算し実行できるが、以前のアプローチでは4分を要していた。この速度改善は、リアルタイムの意思決定が不可欠な実用的なアプリケーションにとって極めて重要である。
環境固有の訓練なしに異なるロボットプラットフォーム間で動作するモデルの能力は、現在のロボットシステムの主要な制限を解決している。既存のロボット基盤モデルの多くは、展開される特定のロボットと環境からの訓練データを必要とするため、柔軟性に欠け、異なる設定での実装にコストがかかる。
物理的理解のベンチマーク
Meta は、AI システムが動画から物理学をどの程度理解しているかを評価する3つの新しいベンチマークを導入した。現在の結果は、人間の性能（ほぼ完璧なスコアを達成）と V-JEPA 2 を含む AI システムの間に大きなギャップがあることを示している。これらのベンチマークは、物理的に妥当なシナリオと不可能なシナリオを区別する能力、因果関係に関する質問への回答、将来の結果の予測などの能力をテストしている。
これらのベンチマークは、AI システムが動画で何が起こったかを説明することは上達しているものの、反実仮想推論（何が起こり得たか、または次に何が起こるかもしれないかを理解すること）にはまだ苦労していることを明らかにしている。この制限は、現在の AI システムが人間の直感と比較して物理世界をモデル化する方法における根本的なギャップを示している。
リリースされた新しいベンチマーク:
- ImPhys 2: 物理的に妥当なシナリオと非妥当なシナリオを区別する
- Minimal Video Pairs (MVPBench): 最小変化ペアを用いた多肢選択問題による物理理解
- CausalVidQA: 物理的な因果関係、反実仮想、および計画に関する質問への回答
将来への影響と研究方向
V-JEPA 2 のリリースは単なる別の AI モデル以上のものを表している。それは純粋な言語ベースの AI から、観察と相互作用を通じて物理世界を理解するシステムへの潜在的な転換を示している。Meta がモデルとコードを商用と研究の両方の用途で利用可能にする決定は、ロボット産業全体の開発を加速させる可能性がある。
「現在、特定の訓練を受けていないタスクでワールドモデルを使用して動作する野生のロボットは存在しない。これは最先端の研究であり、80%の成功率は驚異的である！」
しかし、重要な課題が残っている。現在のシステムは自然言語コマンドではなく画像として目標を指定する必要があり、実用的なアプリケーションを制限している。将来のバージョンでは、言語理解の統合、複雑なタスクのための複数の時間スケールの処理、視覚を超えた追加の感覚入力の組み込みが必要になるだろう。
コミュニティの議論は、技術的成果への興奮と残る障害の現実的な評価の両方を明らかにしている。V-JEPA 2 は広範囲な商用展開の準備ができていないかもしれないが、人間と同じように効果的に物理世界を理解し相互作用できる AI システムに向けた重要な一歩を表している。
参考：Introducing the V-JEPA 2 world model and new benchmarks for physical reasoning