一、ワールドモデル(world model)はそもそも何を解いているのか

ソフトウェア上のエージェントには、暗黙の恩恵がある。動作は取り消せる。Apiの呼び出し方を間違えても、ファイルを書き間違えても、死路に突き当たっても、最悪のケースはやり直すだけだ。この「やり直せる」性質が、ここ数年ソフトウェアエージェントの超高速な迭代を陰で支えていた。

embodied AI(具身智能)にはこの恩恵がない。アームがカップを机から弾き落とせば水はこぼれる。移動ベースが人にぶつかれば損失は巻き戻せない。締め付け終わったボルトを締め過ぎれば部品は廃棄される。だからこそロボットは動作に出る前に、ソフトウェアエージェントには一度も答える必要がなかった問いに答えなければならない。もしこうしたら、その先何が起こるのか。

ワールドモデル(world model)とは、その問いに対する工学的な回答である。「動画を生成できるモデル」でもないし「物体を認識できる視覚モデル」でもない。3つの部品の組み合わせになっている。

  • 状態表征(state representation)：「いまの世界」をモデルが推論できる何らかの表現に圧縮すること。ニューラルネットワークの潜在ベクトルでも、3D点群、ガウシアンスプラット、オクパンシーグリッド、あるいは構造化されたシーングラフでもよい。
  • 遷移則(transition rule)：現在の状態とあるアクションが与えられたときに次の状態を予測する。システム全体でいちばん難しく、いちばん壊れやすい部分である。
  • アクション結果写像：人間やポリシーが出した抽象的な意図を、ワールドモデルが消化できる条件付き信号へ翻訳する。この領域は長らく過小評価されてきたが、ワールドモデルが本当に制御ループに組み込めるかどうかを左右している。

重要な判断はこうだ。市面上で「ワールドモデル」を名乗っているプロジェクトの大多数は、実際にはその1つか2つしか実装していない。つしか実装していない。表征だけ（動画理解モデル）、生成だけ（動画生成モデル）、あるいはオフライン予測だけ（ある軌跡を与えて次の軌跡を予測）——という具合である。「閉ループの中でシミュレータとして使える」までにはかなり距離がある。本文の目的は、このルートの中身を引き裂いて見ることである。

1.1 三つの技術ルートの分岐

2024年から2026年に公開されて見える仕事を並べてみると、「予測がどの空間で、何を予測するのか」という軸で三つのルートに分けられる。これらは排他ではない。2026年の先端システムはハイブリッドアーキテクチャへと収束しつつあるが、底層の思想の差は非常に大きく、選択を誤ると工学的な代償が極めて高い。

ルートA：表征型ワールドモデル（抽象を予測し、ピクセルは予測しない）

中心的主張はこうだ。エージェントの意思決定に必要なのは「次のフレームがどう見えるか」ではなく、「次のフレームが何を意味するか」である。だから潜在表現空間で直接予測し、ピクセル・テクスチャ・照明・葉の揺れのように意思決定とは無関係な高周波の自由度を完全に捨てる。

このラインの典型的な手法は二種類ある。一つは Joint Embedding Predictive Architecture(JEPA) で、コンテキストエンコーダとターゲットエンコーダを 각각持ち、現フレームと将来のいくつかのフレームを別々に潜在空間にエンコードして、その潜在空間で予測損失を計算する。ターゲット側は通常は指数移動平均で更新し、コンテキスト側には勾配を流さない。さもないとモデルは「すべての入力を同じベクトルに符号化する」という退化した近道を見つけるからである。もう一つは Recurrent State Space Model(RSSM 系のアプローチ) で、決定論的状態と確率的状態を明示的に分け、確率的状態が観測の不確実性を受け止め、決定論的状態が力学を受け持つ。KL バランロスで事前分布を事後分布へ引き寄せることで、潜在空間で数十ステップの想像的なロールアウトを実現している。

このルートの強みは非常に明確で、速い。潜在空間の次元はピクセルより2〜3桁低いので、潜在空間で数百ステップロールアウトしてもコストが許容できる。これがモデル式的計画(model-based RL)に自然に適合する理由でもある。弱みも同じくらい明確で、目に見える画を生成しないため、間違っても原因を特定しにくく、単独では説明可能なシミュレータとして使いにくく、訓練データの生成にもそのままでは使えない。

ルートB：生成型ワールドモデル（動画生成モデルを物理シミュレータとして使う）

このルートの賭けはこうだ。動画生成モデルの画質がすでに十分に高いなら、アクション条件を付け加えることで、それはほぼレンダリング可能な物理環境になる。その売りは抽象推論ではなく、フォトリアリティ、レンダリング可能性、データエンジンとしての利用にある。

技術的には、このルートの閾値はかなり高く設定されている。拡散モデルや flow matching 系のアーキテクチャ、高次元潜在空間の動画トークナイザ、海量の動画事前学習、そしてアクション条件を受け取れる条件注入の仕組みだ。生成品質という大問題をそのままロボット領域に持ち込んだため、「生成された物理が正しいのか」だけが唯一重要な問いになる——そしてそれは、まさに現在の生成モデルが最も不安定な部分でもある。

このルートの強みはこうだ。一度成立すれば無限のシミュレータになり、実機では決して採れない極限サンプルを生成でき、ロングテールを埋められる。弱みはリアルタイム性と制御性がどちらも難しいこと。多段の denoising / flow matching における推論レイテンシは本質的に百ミリ秒から秒単位なのに対し、ロボットの閉ループはミリ秒を要求する。同時に「映像がらしい」と「アクションの結果が正しい」は別の話で、前者が好看でも後者が正しいとは限らない。

ルートC：潜在空間予測と計画（その中間で折り返す工学的な妥協）

このルートの做法はこうだ。完全なピクセル単位の再構成は追求せず、潜在空間でアクション条件付きの力学モデルを学び、短いホライズンのロールアウト＋価値ガイドの 방식으로アクションを選ぶ。典型的な構造は Dreamer 一派から発展した想像型 actor-critic、そして TD-MPC 一派が潜在空間モデリングとモデル予測制御を組み合わせ、潜在空間に計画の実行可能性を課す方式である。

予測ホライズンは意図的にきわ短く抑えてある。通常は1桁から10数ステップにすぎない。これはきわめて重要な工学的な判断だ。ワールドモデルの価値密度は時間ステップとともに急激に減衰する。200ステップを保てないモデルを作るより、10ステップ内でとても正確なモデルを作って、残りの不確実性はフィードバック制御で食いつくほうがよい。そういった意味で、これは三つのルートの中で最も工学的な成熟度が高く、いまいちでも生産線で動かせるルートでもある。

1.2 三つのルートの横断比較

観点表征型生成型潜在空間計画型
予測対象潜在空間の表征ピクセル / 潜在空間の動画潜在空間の状態
主なメリット抽象推論、サンプル効率フォトリアリティ、データ生成閉ループでの実用性
主なボトルネック潜在空間が潰れやすく、視覚的に説明できない物理的一貫性、推論レイテンシ長期外挿能力に限界がある
推論のリアルタイム性良い悪い良い
データエンジンに使えるか使えない使える（物理的に信頼できる場合）使えない
典型的な失敗モード潜在変数が幾何を担わず、計画と知覚が乖離する物体の漂移、オクルージョンの破綻、因果の逆転学習したアクション集合から外れると状態予測が発散する
実装の成熟度中低〜中高

この表で最も誤解されやすいのが「実装の成熟度」の行である。表征型と生成型が重要ではないということではない。コストに敏感で、失敗の代償が大きいロボットシーンでは、動かせる価値が見かけの美しさよりずっと上だということである。これは2026年の実際の流れも説明する。「純粋なルート」を追求するのではなく、「潜在空間が計画を担い、生成型がレンダリングとデータを担い、古典制御がフォールバックとリアルタイムを担う」というハイブリッドスタックを採用するチームが増えている。

二、ピクセル予測から表征予測へ：なぜ目標を変えなければならないのか

2.1 ピクセル単位の目標が持つ三つの構造的失敗

「次のフレームを予測する」ことをワールドモデルの定義とするのは、初期の試みすべてに共通する誤りである。その失敗は学習不足から生まれたものではない。目標関数そのものが、正しいものを罰している。三つの独立した失敗モードに分解できる。

第一に、予測不可能な成分がモデル容量のほとんどを食ってしまう。現実の動画では、ピクセルエネルギーの分布は極端に偏っている。広い範囲の背景や緩やかな光の変化は低周波で予測可能である一方、葉の揺れ、水しぶき、ガラスの反射、布地の皺、レンズノイズは高周波で本質的にランダムである。ピクセル単位の再構成損失で訓練すると、勾配はこれらの予測不可能な成分に支配され、モデルはノイズをフィットするのに容量を浪費するか、予測可能な低周波構造を過小フィットしてしまう。これが、初期の「動画フレームを予測する」モデルが、物理的には意味の薄い高保真な背景を出しつつ、物体の動きはぐちゃぐちゃになることがある理由である。

第二に、ピクセルごとの回帰は条件付き平均に収束する。L1 でも L2 でも、最適な予測はあり得るすべての未来ピクセルの平均になる。「次のフレームのカップが A のところにある」と「B のところにある」が同じだけの可能性で成り立つとき、モデルは A と B の間のぼやけた重ね合わせを出力する。これがそのまま軌跡の発散につながる。数ピクセルのぼかし誤差がロールアウトの中で繰り返し拡大され、数ステップ後には物体が「溶けて」しまう。視覚的には霧化として、物理的には存在しない不確かさの収縮として現れる。

第三に、フレームレートと物理事象の持続時間が合っていない。動画は固定フレームレートでサンプリングされるが、物理事象の継続時間はばらばらである。掴み付けの決定的な瞬間は数十ミリ秒しかないこともある。モデルは「フレーム全体の平均的な正しさ」を最適化するように訓練されるので、フレーム間で変化が緩い冗長情報に大量の容量を費やす一方で、成否を分ける接触の瞬間には鈍感になる。

2.2 潜在空間予測はこれらをどう回避するか

表征型ルートの対処は三つで、それぞれが上の三つに対応する。目標関数を潜在空間へ移すことで、予測不可能な高周波の細部が損失に入ってこないようにする。回帰型ではなく予測型の目標を使うことで、最終結果への直接回帰を避け、代わりにオンライン自己ブートストラップの 방식으로学習させる。予測ヘッドに因果マスクを付けることで、入力のコピーをやるのではなく、いま見えない部分だけを予測させ、平凡解を回避する。

ここでの工学的細部は手法の名前よりずっと重要だ。順番に整理しておく。

表現坍塌の防止について：コンテキストエンコーダがすべての入力を任意のベクトルに自由にエンコードできてしまうなら、「ターゲットエンコーダの出力を予測する」という目標は自明に達成できてしまう。もっとも一般的な対策は二つ。コンテキスト側の勾配を伝播させず、ターゲットを EMA ターゲット分岐によってゆっくり更新させること。そして分散正則化項を入れて、潜在変数の各次元が平均へ潰れ込むのではなく分散するよう促すことである。JEPA 系ではさらに攻めた版として、ターゲット表征を層ごとに正規化してスケール情報を削り、モデルに構造を保持させるようにするものもある。

予測ホライズンは短く越好いという判断について：表征型モデルは十数フレームを過ぎるとほぼ信頼できなくなる。工学的な合意は、さらに長いホライズンを無理に支えることではない。長いタスクを「1層を計画して数フレーム実行して再計画」という循環に分解することだ。本質的に、ワールドモデルをグローバルモデルではなくローカルモデルとして扱っていることになる。

表征は幾何を担っていなければならないという主張について：これが最も忘れられやすく、同時に最も致命的な要点である。分類課題で非常に良好に振る舞う表象でも、メトリック構造が保存されているとは限らない。潜在空間で「カップを 10 センチ左へ動かす」に対応するベクトルの位移が、すべてのシーンでほぼ同じ方向なら、この表象は掴みを支えられる。しかし位移ベクトルが視点や背景に依存するなら、シーンを替えるたびに方策が崩壊する。したがって表徵式ワールドモデルが使えるかどうかの判定基準は、再構成の精度指標ではなく、潜在空間で線形補間や摂動を行い、レンダリングやデコードした結果が一貫して物理的に妥当かを見るべきである。

2.3 適用の境界：表征型が得意なことと苦手なこと

表征型の強みは三所に集中している。ひとつは計画で、潜在空間でのロールアウトはコストが低く、大規模なサンプリング探索を支えられる。ふたつめはサンプル効率で、実際の相互作用の回数が少ないが少ない課題でも、わずかな軌跡と想像訓練だけで使える方策が得られる。みっつめはマルチタスク共有で、共有された潜在空間はタスク間の転移経路を自然に提供する。

弱みも同様に明快である。可視ものを生成しないので問題が起きたときに診断のしようがなく、潜在空間は方策に「抜け道」を探られる（現実世界では到達不可能なのに損失が小さい状態を方策が見つけてしまう）ため、実装上は実行可能性制約を足して塞ぐ必要がある。そしてデコーダがなければピクセルがないので、訓練データの生成にそのまま使うのは難しい。

実用的な組み合わせの考え方はこうである。表征型モデルで計画とコスト評価を行い、生成型モデルでレンダリングとデータ合成を行う。前者が「正しくできるかどうか」を担い、後者が「看上去正しく見えるか、新しいシーンを作れるか」を担う。組み合わされるこの組み合わせのインターフェース設計は、二つのモデルそれぞれの品質よりも、成否を左右することが多い。

三、生成型ワールドモデル：画質以外の実質

3.1 動画生成モデルを物理シミュレータとして使うときに賭けるもの

生成型ルートの中心的な賭けは一言でまとめられる。動画生成モデルはすでに暗黙に物理学を学んでいる。さらにアクションを接続すれば、ほぼレンダリング可能な対話的な環境になる。この賭けは一部のシーンでは実際に成立し、多くのシーンでは成立しない。それでも吸引力は十分に大きい。一度成立すれば、解決されるのはまさに embodied AI において最も高価な問題である実機データだからだ。

ただしこの賭けには、分別して検証すべき三つの層がある。多くの議論は、その三つを区別していない。

  • 視覚的な連続性：フレーム同士が滑らかでちらつかないか。これは最も達成しやすく、最も重要ではない層である。
  • 意味的な永続性：同じ物体がなおその物体であり、大きさ・色・個数・同一性が保たれているか。これは中程度の難易度で、現在の多くの生成モデルが「合格ライン」の付近にある水準である。
  • アクション結果の正しさ：机を押したら机が本当に力の向きに沿って動くか、カップを持ち上げたら本当に机から離れるか。この層はロボット領域で有用かどうかをほぼ決定づけるが、現在のところ最も弱い。

よく見られる、そして致命的な失敗モードは、モデルが因果性ではなく相関を憶えてしまうことである。動画では、手が左に動くと通常カップも左に動く。モデルはこの統計的な関連だけを学べば、「見栄えは正しい」短い動画を生成できてしまう。しかし閉ループに入って数十のアクションを連続実行すると、この手抜きは完全に露見する。毎回、周辺分布には合うが累積制約を満たさない次のフレームを生成するため、物体が体系的に質量を「失う」あるいは位置が漂う。オフライン動画ではほとんど気づけない。フィードバックが存在しないからだ。

3.2 潜在空間 + flow matching：現在の主流な技術選択

2026年の生成型ワールドモデルはアーキテクチャが大きく収束していて、典型的な選択は「高圧縮の潜在動画トークナイザ + flow matching のジェネレータ + 多様な条件注入」である。なぜこの選択なのか、それぞれの代償は何かを順番に説明する。

なぜ潜在空間の動画トークナイザなのか：ピクセル空間で直接拡散を行うと、時間ステップ・空間解像度・チャネル数を掛け合わせて計算量が爆発する。動画トークナイザは連続したフレームを低次元の潜在変数へ圧縮し、問題の規模を許容できる範囲まで抑える。代償は有損圧縮が二重に積み重なることである。トークナイザの圧縮アーティファクトとデコード損失が生成誤差に混じり込み、精密な形状判断と接触判定には特に不向きである。この代償はしばしば無視される。オフライン評価の知覚指標がそれを覆い隠してしまうからだ。

なぜ拡散から flow matching に移ったのか：拡散は何十段もの反復を必要とするが、flow matching はより少ないサンプリング段数で許容できる結果を得られ、リアルタイム性を直接改善する。ただし flow matching のサンプリング段数を削ると分布のズレが 심해くなる。段数が少ないほど、長系列の一貫性は悪化する。これは 3.1 の三層分類とまったく同じ矛盾である。品質、リアルタイム性、一貫性の三者は両立できない。いまのあらゆるシステムがこの三角形のどれかにバランス点を選んでいる。

3.3 オフライン動画からオンライン対話への時間ステップの溝

これは生成型ルートで最も工学的、かつ最も見落とされがちな壁である。オフライン動画の生成の時間ステップは「未来の一連の列を生成する」ことで、双方向のアテンションとグローバルに一貫した情報を許せる。オンライン対話は「現在のフレームと一つのアクションを受け、次の制御周期内に結果を出す」ことを求める。この二つのモードの情報流の方向はまったく違う。

もっと厄介なのは時間予算である。典型的な移動操作課題の制御周期は 20 から 50 ミリ秒の桁で、多段 flow matching の潜在動画モデルは大量の工学最適化を積んでも通常は数百ミリ秒から秒単位だ。その差は十倍以上ある。このギャップを埋める工学的手段は結局のところ三つしかない。生成解像度とフレーム数を下げる（詳細を犠牲にする）、少段蒸留を使う（多様性を犠牲にする）、重要フレームだけ生成して中間フレームを補間する（連続アクションの応答性を犠牲にする）。代償のないものは一つもない。

これが 2026 年に実際に配備されたロボットの，大多が「混合スタック」を採用している理由でもある。生成型モデルはオフラインでのデータ生成と高レベルの意味推論を担い、リアルタイム部分は従来のモデル予測制御、軌道最適化、あるいは純粋なフォワード方策に任せる。ワールドモデルの現実の生産ラインにおける位置づけは、論文の中よりもずっと低い。

四、インタラクティブなワールドモデル：アクション条件付けと潜在アクション空間

世界モデルを本当に「インタラクティブ」にする際の核心的な難点はアクションがどこから来るかだ。動画を生成するには「次に何が起きるか」が分かればいいが、対話には「私が X をしたから Y が起きた」必要がある。この Y こそが難点である。

4.1 明示的なアクション注入：ペアになった「状態・アクション・結果」データが必要

最も直接的な方法はアクションを明示的に与えることである。現在の状態とアクションを入力し、次の状態を予測する。この方法はクリーンで因果性も強いが、代償として大規模で強くアノテーションされたアクションデータが必要になる。インターネット上の人間の動画にはアクションのラベルがほとんど付いていない。カップが滑るのを見られても、誰がどれだけの力でどの向きにそれをおこしたのかは分からない。

ロボットデータが高価なのはこのまったく同じ理由で、「人間の動画から学ぶ」という道筋の期待もすべてここにある。もしアクションのラベルをテレオペレーションで集めるしかないなら、毎フレームについてロボットの前に座った人が手動で操作することになり、コストは純粋な動画データの数倍乃至それ以上になる。

4.2 潜在アクション：ラベルのない動画から自己教師ありでアクションを抽出する

潜在アクション(latent action)の考え方は、明示的なラベルを回避することにある。単眼の人間動画から、連続フレームを低次元のアクション空間へ写像するエンコーダを訓練し、その空間でアクション条件付き予測を行う。アクションの次元（たとえば連続する高次元から 2 から 8 次元へ圧縮すること）自体が複雑さへの強い制約になっている。低次元のアクション空間は「フレーム全体の動きをアクションにハードコードする」という退化解を排除し、モデルを本当の制御変数を抽出させる。

この種のモデルを訓練する核心は、巧妙な自己教師あり目標にある。現在のフレームと未来の「ある一フレーム」との間の補間を、学習されたアクションで予測できるようにする。直観的には、アクションは本質的に「時間軸上の変位」であり、いくつかの学習可能なコード（codebook token）を重み付きで組み合わせて「現在から未来へ何ステップ分か」を指定することで、モデルは首尾一貫した予測をするために、アクショントークンと時間位置を対応させなければならなくなる。すると人工的なアクションラベルは一切不要になり、動画から離散的な潜在アクション列を白で抽出できる。

この方法の専門能力の限界は正確に述べておく必要がある。抽出されたアクションは視覚的な「運動の変位」であって、物理的な「力」ではない。ナビゲーションや押す・引く・投げるといった、変位として主に表れる運動にはきわめて有効である。しかし持ち上げ（把持点が本当に掴まれているかを判断する必要がある）、回転（接触があり摩擦がある）、そしてあらゆる力依存のタスクに対しては、視覚的な運動には必要な情報がほとんど含まれない。したがって潜在アクションは粗い粒度のアクション条件付き事前訓練には向いているが、精密な操作に直接微調整する用途にはそのまま使えない。

4.3 潜在アクションを閉ループとして訓練するために必要な三つの性質

アクションがテレオペレーションから来るものであれ、潜在アクションから来るものであれ、アクション条件付きモデルを閉ループの中で「環境」として使うには、三つの性質を満たさなければならない。これらは多くの作業が失敗する根源でもある。

  • リアルタイム性：単回の予測は制御周期の中に完了しなければならない。さもなくば、モデルはシステムを遅くするだけである。この制約は逆にモデルの大きさや予測ステップ数を制限する。
  • 再入性：同じ状態のもとで同じアクションを何度実行しても、同じ結果を返さなければならない。モデルの予測にランダム性が含まれていると、閉ループ制御は収束せず振動し続ける。これは生成型ワールドモデルを直接シミュレータとして使うときの致命的な問題である。
  • 制御可能な誤差の増大：予測ステップ数が多いほど誤差が大きくなるのは怖くない。怖いのは誤差が超線形に爆発することである。現在の多くのモデルは 3 から 5 ステップまではどうにか成立するが、10 ステップ後には完全に歪む。そのため実システムでワールドモデルを長くロールアウトすることはまれで、正しいやり方は短い時間範囲と高頻度の再計画である。

4.4 最小限の潜在空間力学と想像訓練の骨格

ここまでの議論を具体的に落とすために、以下の Python はインタラクティブなワールドモデルの核心的な訓練ループを示している。分位表現のエンコード、RSSM 型の確率的力学、そして想像的なロールアウトである。完全なプロダクションコードではないが、「表徵式・潜在空間・閉ループ」三者の接合部を明示している。重要なコメントにあるエンジニアリング上のトレードオフに注意してほしい。

import torch
import torch.nn as nn
import torch.nn.functional as F


class RSSM(nn.Module):
    """递归状态空间模型：确定性状态承载动力学，随机状态承接观测不确定性。

    关键取舍：随机维度不能太小，否则 KL 项会平凡地把先验拉向后验，
    世界模型退化成"抄观测"；也不能太大，否则先验学不动、rollout 很快发散。
    """

    def __init__(self, obs_dim: int, act_dim: int, deter: int = 512, stoch: int = 64):
        super().__init__()
        self.deter, self.stoch = deter, stoch
        # 先验分支：只吃历史状态和动作，用来在"没有观测"时也能往前推（想象时用）
        self.prior = nn.GRUCell(act_dim + stoch, deter)
        self.prior_head = nn.Linear(deter, 2 * stoch)   # 均值 + log 方差
        # 后验分支：吃先验状态和当前观测，用来在"有观测"时校正（训练时用）
        self.posterior = nn.GRUCell(obs_dim + deter, deter)
        self.posterior_head = nn.Linear(deter, 2 * stoch)
        # 观测解码头：把潜状态还原成观测，逼迫潜空间真的携带世界信息
        self.obs_head = nn.Sequential(nn.Linear(deter + stoch, 512), nn.SiLU(),
                                      nn.Linear(512, obs_dim))

    def _dist_params(self, h):
        """把高斯参数切片拆出来，并夹住方差防止数值爆炸。"""
        mean, logstd = h.chunk(2, dim=-1)
        return mean, logstd.clamp(-8.0, 4.0)

    def prior_step(self, h_prev, z_prev, a):
        """纯动力学推进：世界模型在推理/想象时走的唯一路径，必须可重入。"""
        h = self.prior(torch.cat([a, z_prev], dim=-1), h_prev)
        mean, logstd = self._dist_params(self.prior_head(h))
        z = mean + torch.randn_like(mean) * logstd.exp()
        return h, z

    def observe(self, obs, h_prev, z_prev, a):
        """有观测时校正后验；训练用 KL 把先验拉向后验，这就是"动力学先验"的训练信号来源。

        注意后验必须吃先验的 h（而不是 h_prev），这样 KL 约束的才是
        "仅靠动力学预测的状态" 与 "融合了观测的状态" 的差距。
        """
        h_prior, z_prior = self.prior_step(h_prev, z_prev, a)
        h = self.posterior(torch.cat([obs, h_prior], dim=-1), h_prior)
        mean, logstd = self._dist_params(self.posterior_head(h))
        z_post = mean + torch.randn_like(mean) * logstd.exp()
        kl = self._kl((mean, logstd), self._dist_params(self.prior_head(h_prior)))
        recon = self.obs_head(torch.cat([h, z_post], dim=-1))
        return h, z_post, {"kl": kl, "recon_mse": F.mse_loss(recon, obs)}

    @staticmethod
    def _kl(q, p):
        """两个对角高斯之间的 KL；free-bits 阈值防止后验坍塌到先验（反过来的坍塌）。"""
        qm, qs = q
        pm, ps = p
        return (qs - ps + (ps.exp() + (pm - qm) ** 2) / (2 * ps.exp()) - 0.5).sum(-1).clamp(min=1.0).mean()


def imagine_and_actor_critic(rssm: RSSM, start_state, actor, critic, horizon: int):
    """在潜空间想象 H 步并回传策略梯度（REINFORCE 风格，可换成 TD(λ)）。

    工程要点：
    1) horizon 要短（通常 3~15）。长时域想象会让误差超线性爆炸，
       收益递减而算力线性增长，短时域 + 高频重规划是更稳的工程选择。
    2) actor 的梯度只依赖潜状态轨迹，critic 提供基线降低方差。
    3) 想象过程中不反传 observation 分支（no_grad），省显存。
    """
    h, z = start_state
    traj = []
    for _ in range(horizon):
        a = actor(torch.cat([h, z], dim=-1))
        with torch.no_grad():
            h, z = rssm.prior_step(h, z, a)   # 想象阶段走先验，不看观测
        traj.append((h, z, a))

    # 逆向累积折扣回报，lambda-return 平滑 bootstrap；critic 已给出基线，
    # 所以这里 G 已经是"超额回报"，不需要再减去基线。
    G, lam, actor_loss = 0.0, 0.95, h.new_zeros(())
    for step, (h, z, a) in enumerate(reversed(traj)):
        with torch.no_grad():
            r = critic(torch.cat([h, z], dim=-1)).mean() - 0.01 * (a ** 2).sum(-1)
        G = r + lam * G
        logp = torch.log_softmax(actor(torch.cat([h, z], dim=-1)), dim=-1)
        # 逐步权重 0.9^t：靠后的步对梯度贡献更大，等价于短时域的隐式折扣
        actor_loss = actor_loss + (0.9 ** step) * (-G * logp.sum(-1)).mean()

    # 世界模型的 KL / 重构项由训练循环另行回传，这里只返回策略损失
    return actor_loss

この骨格は「不完全」な箇所（たとえば事後補正の分岐にフックだけが残されているなど）をあえて残している。理由は現実的である。完全に訓練可能な RSSM と actor-critic を書けば、この節は「経路を説明する」から「実装を写す」ことに変わってしまい、逆に要点がぼやけてしまう。本当に持ち帰るべきは、あの一本のコードのコメントにある三つの判断——確率的次元の規模、短い時間範囲を好むこと、想像では事前分布側の枝を通ることだ。これらは 2026 年においてほとんど覆されていない。

五、空間知性と三次元表征：何の層が難しいのか

5.1 2D観測から3D世界へ：曖昧さは「精度の問題」ではなく「情報の問題」

単目動画から三次元を再構築することが難しい理由的核心は、最適化求解ではなく情報が足りないことにある。単一の視点の下では、ぼやけた輪郭は中実の円柱である可能性もあり、遠く離れた二つの柱が重なっている可能性もある。この曖昧さは数学的に観測そのものから取り除くことはできず、先験（物体の典型的な形状、地面が通常は平坦であることなど）で補うしかない。そして先験が強いほど、再構築結果は「それらしく整った」架空の幾何に偏り、精密な操作では逆に有害になる。

ここからよく無視される帰結が生まれる。具身タスクにおいて、三次元表征の目的はしばしば「忠実に再構築する」ことではなく「意思決定に足りること」なのである。机の上からカップが落ちる軌跡を判断するには、そのおおよその位置と速度、概算のスケールがあればよい。ミリ単位の表面法線ベクトルは要らない。そしてアームがスロットに挿入できるかを判断するには局所的な高精度が必要で、ちょうど逆なのだ。つまり、統一された「三次元表征の精度」という指標は存在せず、タスクに定義された精度要件しか存在しない。

5.2 度量精度と位相構造：二つの異なる能力

空間知性には少なくとも二つの能力層があり、それらの技術経路はほとんど交差しない。

  • 度量幾何：物体がどこにあるか、どれだけ大きいか、どれだけ遠いか、向きはどうか。この種の情報は単目では本質的に復元できず、工学的には多視点、既知の基線（IMU オドメトリ、アクションログ）、あるいは先験に依存する。これは従来の SLAM と多視図幾何の主戦場である。
  • 位相と関係：何が何の中にあるか、何が何を支持しているか、どのハンドルがどの腔室につながっているか、スイッチが扉枠のどちら側にあるか。この種の情報はまさに単一フレームの 2D 観測に直接見える。画像平面上の意味関係であって、深度を必要としないからである。

興味深いのは、第二類（位相関係）が視覚言語モデルの事前学習の中で大量に暗黙的に獲得されるのに対し、第一類は専用の三次元データを必要とするという点である。ここから逆説的な結論が得られる。大規模モデルの意味先験は位相関係には非常に強く、度量幾何に対しては逆に弱い。インターネットの図文データには精密な度量教師がほとんど含まれないからである。これが、多くの三次元手法が 2D の意味先験を幾何パイプラインに「注入」し、その逆ではない理由である。

5.3 明示的な三次元表征の四つの工学的な担体

ワールドモデルの三次元状態を表現するとき、2026 年の主要な担体は四種類あり、それぞれの適用境界は明確に分かれている。

表現形式利点欠点適用シーン
密な占据グリッド / 占据場幾何と意味が統一され、そのまま衝突判定と計画に使えるメモリと計算量が解像度の三乗で増え、長い廊下や屋外を覆いにくい自動運転、デスク近傍、ナビゲーションの主障害物
三次元ガウシアン（3D Gaussian Splatting 系）レンダリング品質が高く、訓練も推論も速く、微分可能占据ではなく連続表現なので衝突判定には追加変換が要る。動的シーンの更新は面倒新視点合成、デジタルツイン、データ強化での再レンダリング
多視点点群 / 深度マップの融合センサーにそのまま接続でき、経路が短く従来スタックに扱いやすい精度は多視点の較正とポーズ精度に左右され、テクスチャが悪い領域では破綻する把持のポーズ推定、点群計画、アームのワークスペース
暗黙場（占据 / 距離 / 放射場関数）解像度とストレージが切り離され、連続かつ微分可能で最適化に有利訓練が遅く、クエリがランダムで、リアルタイム描画には高速化構造が要るオフライン再構築、研究のベースライン、連続最適化が必要なタスク

選択の核心的な問題は一つしかない。後工程が「見る」のか「触れる」のか。「見る」（シミュレーション描画、意味クエリ、データ強化）にはガウシアンか暗黙場が費用対効果で最も高い。「触れる」（衝突判定、把持、到達可能性の解析）には占据か点群に戻らなければならない。前者には「この位置に何かあるか」という信頼できる回答が存在しないからである。

5.4 フォワード式三次元再構築がもたらす実際的な変化

この二年で最も実用的な進展は、エンドツーエンドの暗黙三次元モデルではなく、フォワード式（feed-forward）三次元再構築であった。シーンごとの最適化を行わず、Transformer を使って複数のビューから一度に点マップや深度とカメラパラメータを予測し、元々数十分から数時間かかっていた最適化過程を一度のフォワードに圧縮する。

それは単目の曖昧性の根本的な問題は解決していない。しかし非常に現実的なエンジニアリング上のボトルネックを一つ解決した。三次元再構築を「オフラインの一括処理」から「オンラインのコンポーネント」に変える。ワールドモデルにとってこれは意味が大きい。再構築が十分に速ければ、閉ループの中で毎フレームごとに三次元状態を供給でき、「三次元の中で想像する」ことが可能になる。オフラインで一度走らせるだけではすまない。

ただしその限界は現実的に捉える必要がある。フォワード系手法はテクスチャ豊かな自然シーンではよく振る舞うが、対称、透明、反射、繰り返しテクスチャを持つ工業・実験シーンでは誤りが起きやすい。そしてロボットはまさに後者の環境で大量に作業している。その位置づけは「フォールバック幾何」としてより適しており、較正の良い深度カメラやマルチカメラを主な情報源とし、フォワード系手法は死角を埋めてフレームレートを上げるために使うのがよい。

六、長時間一貫性と制御可能性：過小評価されてきた二つの難所

6.1 長時間一貫性：誤差は線形に蓄積していくものではない

ほとんどすべてのワールドモデルの評価は短時間の範囲で行われる。真実の歴史 8 から 16 フレームを与え、未来のいくつかのフレームを予測するのである。しかし配備時に必要なのは数分から数十分のタスクの時間スケールである。この二つの間の溝こそ、2026 年において最も過小評価されてきた着地上の障害である。

誤差の蓄積が超線形になる理由は、フィードバックの機構に由来する。モデルの状態推定が真実の状態から外れると、モデルがいる状態は訓練分布から外れる。訓練で見たのは「真実で妥当な」中間状態であり、ロールアウトで生じるのは「妥当だが真実ではない」中間状態である。モデルの誤差関数は分布外領域で制約されていないので、ステップごとの誤差は前のステップより大きくなり、正のフィードバックが生まれる。だから多くのモデルは open-loop 評価では最初の 10 ステップがほぼ完璧であるのに、20 ステップで映像が完全に崩壊し、崩壊点以降のすべての予測が無意味になる。

緩和手段は現在多くない。主に三種の組み合わせである。短時間範囲と高頻度の再計画（最も実用的）、長時間記憶の拘束（重要状態をアンカーする。例えば地図上の物体の位置がロールアウトによって書き換えられないように保つ）、そして不確かさの推定とリセット（モデルが自身に確信がないとき、保守的な方策へ戻るか再観測を求める）。三番目は工学的には最も信頼できると同時に最も厄介である。「自分が知らないことを知っている」ためには追加の訓練信号が必要になるからである。

6.2 制御可能性：三つの段階、増す難易度

制御可能性を三つの層に分けると、現在どこまで進んでいるかがよりはっきり見える。

段階制御対象現在の状態主要な難点
指示レベルの制御「赤いブロックを箱に入れて」のような意味的な目標比較的成熟指示の曖昧さ、シーンの曖昧さ、長距離の意味記憶
軌跡レベルの制御エンドエフェクタのパスまたは目標ポーズの指定中程度で、工学化は可能パスと障害物の衝突実行可能性、閉ループでの再計画
接触レベルの制御力トルク・接触状態の指定、挿入とねじ締めの位相制御未成熟力の情報は視覚から見えない、接触瞬間の時間定数は極めて短い

大多数の生成型ワールドモデルは制御可能だと主張するが、実際に達成しているのは指示レベルと一部の軌跡レベルである。接触レベルをほぼ超えた者はいない。その理由は第一節でも述べた通りである。接触は視覚から見えない物理事象である。動画には力の信号も触覚の信号もなく、モデルが見ることができるのは接触した結果だけ（カップが持ち上げられたか、持ち上げられなかったか）である。これは純粋な情報欠落の問題であり、演算量の問題ではない。

もしタスクが本当に接触レベルの能力を必要とするなら（組立、挿抜、精密なねじ締め）、現実的な道筋は触覚とトルクセンサ、視覚の混成戦略である。ワールドモデルには接触に至る前の上位レベル规划和最後の数センチを古典的な力制御に任せる。これは技術の保守ではなく、分業である。モデルに情報上の優位性がある部分だけを担当させるのだ。

七、データコスト：embodied AI の真に硬い制約

7.1 実機データ：コスト曲線は，想いよりずっと急である

embodied AI を論じるとき、人々はよく「実機データは高価だ」と言う。この判断は正しいが、充分に具体的ではない。具体的に言えば、実機データのコストは三つの乗数の積で決まる。

シーン構築コスト × 収集スループット × リセットコスト。ほとんどの人は第一項と第二項しか見積っていないが、第三項を無視している。しかしリセットコストがむしろ主要項になることが多いのだ。把持タスクで成功率が 40% にしか満たない場合、「有効な成功デモ」10 本に対して 15 回の失敗とリセットが伴う。リセットのたびに、物体を初期ポーズへ戻す（人手またはアームによる自動）、予期しない破損がないか確認する、必要なら再較正を行う。これによって有効な軌跡 1 本あたりの人件コストは公称時間の数倍になる。

さらに重要なのは、限界コストが一般化の必要にともなって急激に上がることである。カバーすべきは「成功経路」ではなく「あらゆる失敗」であり、失敗空間は組合せ爆発する。物体の位置 × 向き × 材質 × 照明 × 障害物 × 物体自身の状態。これが、大企業の戦略がテレオペレーションによる収集と与众筹・多拠点並列化になっている理由である。有効な唯一のレバーは、シーン構築コストを外包し、人間を生産ライン上の一つの工程として扱うことなのである。

よく見落とされる時間軸の次元もある。実機データの「時間」は最も高価な資源であり、モデル反復のリズムはデータの到着速度に律速される。多くのチームの真のボトルネックは演算でもデータ量でもなく、データの到着リズムがアーキテクチャ反復のリズムに追いつかないことである。

7.2 シミュレーション：ドメインギャップには明確な構造がある

「シミュレーションと現実には差がある」と言うことには情報量がない。ドメインギャップは三種類に分解でき、対処の手段はまったく異なり、この区別はそのままエンジニアリング投資の配分を左右する。

視覚ドメインギャップ：テクスチャ、照明、材質、カメラノイズの分布の違い。この種類のギャップは最も対処しやすい。ドメインランダム化（テクスチャ・照明・カメラポーズ・背景・物体の外観をランダム化）によって許容可能な水準まで押さえられる。これが、2026 年のシミュレーション視覚 RL が比較的成熟している理由である。

力学ドメインギャップ：摩擦係数、ジョイントのバックラッシュ、アクチュエータの遅延、コンプライアンス、结构変形が現実と一致しない。これが最も致命的な種類である。ドメインランダム化はそれに対してほぼ効かない。ランダム化によって「シミュレーション上の剛体接触」を「現実のコンプライアンスのある接触」に変えることはできないからである。有効な対処は二つしか存在しない。システム同定（実機データで力学パラメータを逆フィットし、シミュレーション自体を精密にする）か、残差学習（シミュレーションの上に実機データで訓練した残差モデルを載せる）である。

センサーとアクチュエータのギャップ：深度カメラが反射する金属面で破綻すること、エンコーダの量子化誤差、バッテリー電圧の低下に伴うトルク減衰、温度ドリフト。これらはシミュレーションには通常まったく存在せず、しかもテスト段階で最も露見しにくい問題である。これらの失效が機器の状態と結び付いているからである。

ここから逆説的だが重要な結論が得られる。シミュレーションの本当の価値は実機データの置き換えではなく、実機では決して採れないサンプルを生成することにある。ロングテールの失敗、極端な外乱、危険な工况である。安全訓練とレッドチームテストにはシミュレーションは代替できないが、通常の挙動データの置き換えにはドメインギャップによってリターンが急速に減衰する。

7.3 動画からの転移：無料データで支えられるものと支えないもの

インターネット動画は唯一「無料」の大規模時系列データであり、その価値の上限は一つの物理的事実によって決まる。動画には力の情報が見えない。カップが机から滑り落ちるときそれが動いていることは分かるが、卓の摩擦係数が 0.3 か 0.6 か、カップの質量分布の重心が前か後ろかまでは分からない。動画は運動を記録しているのであって、力学を記録しているわけではない。

この欠落は動画からの転移の適用境界を決める。しかもその境界はかなり鮮明である。

  • 転移が有効：ナビゲーションと粗い運動（おおよその移動方向、旋回のタイミング）、可逆で許容範囲が広いタスク（拭き取りや整理のおおよその軌跡）、意味レベルの先験（どの物体がどの物体と共に出現しがちか、典型的なシーン構造）。
  • 転移効率は低いがゼロではない：精密な幾何が必要なタスク（把持のポーズ）。動画はおおよそどこにどれだけの姿勢でいるかしか与えないが、精度は実際のセンサーで補う必要がある。
  • 転移はほぼ無効：精密な接触タスク（挿抜、ねじ締め、ケーブル処理）、力覚覚フィードバックが必要なあらゆるタスク、摩擦とコンプライアンスに依存する操作。この種のタスクが失敗する理由は動画にはまったく見えない。

したがって「視覚・言語・アクション」モデルの最も重要な工学的位置づけは事前訓練と初期化である。動画から学んだ意味的な先験と粗い運動の先験を方策に注ぎ込み、わずかな実機データで対象タスクに適合させる。これは実機データの必要量を一桁下げるが、実機データの必要量をゼロにはしない。VLA を「データ不要の解法」とみなすのは、2026 年に最も広まった誤りである。

データ源単位コスト力学の忠実度ロングテールをカバーする力最も適した役割
実機テレオペレーション最も高い実機そのもの人手と時間に制限される精密操作の最終的な適応データ
人間の一人称視点の動画ほぼゼロなし（力と摩擦が欠落）ロングテールのシーンを自然にカバーする事前訓練の先験と意味の初期化
物理シミュレーション低いシステム同定の質に制限される非常に強く、能動的に構成できる危険な工况のレッドチームと安全訓練
生成的な合成中生成モデルの物理的一貫性に依存する制御可能で組み合わせを設計できる実機データが欠けているロングテールの組み合わせを埋める

7.4 データ配分：エンジニアリングで実際に回しているノブ

現実には単一のデータ源だけに依存する人はいない。ほとんどすべての真剣なチームは混合比率を調整しており、その比率を誤ったことによる損失は、遥かに大きなバックボーンネットワークに交換することによる損失よりも大きい。以下のコードはその配分のロジックを書き出したもので、最も見落とされがちなのは「安全フィルタの後にオーバーサンプリングする」このステップである。

from dataclasses import dataclass
from typing import Dict, List

@dataclass
class Bucket:
    name: str
    items: List[dict]
    sample_weight: float      # 过采样权重：低质量但高覆盖的数据给更高权重
    max_ratio: float          # 占比上限：防止某个源主导训练，灾难性遗忘的保险丝

# 四类数据源，weight 的含义是"同一条样本被看到的相对次数"
BUCKETS: Dict[str, Bucket] = {
    "real_teleop":   Bucket("真机遥操作", [], sample_weight=1.0, max_ratio=0.45),
    "human_video":   Bucket("人类视频",   [], sample_weight=0.35, max_ratio=0.50),
    "sim":           Bucket("仿真",       [], sample_weight=0.5, max_ratio=0.60),
    "generated":     Bucket("生成合成",   [], sample_weight=0.6, max_ratio=0.40),
}

def apply_safety_filter(items: List[dict]) -> List[dict]:
    """先剔除坏样本再过采样。

    顺序很关键：如果先过采样再过滤，坏样本会被反复放大，
    一个污染样本的梯度会被重复施加 N 次，这是训练不稳定的常见根因。
    """
    out = []
    for it in items:
        # 关节超限、时间戳倒流、力矩削顶的片段都应剔除
        if it.get("max_torque") >= it.get("torque_limit", 1.0):
            continue
        if it.get("dt", 0) <= 0:
            continue
        out.append(it)
    return out

def mix(buckets: Dict[str, Bucket], batch_size: int, rng) -> List[dict]:
    """按权重采样并强制占比上限。返回打乱后的一个 batch。"""
    for name, b in buckets.items():
        b.items = apply_safety_filter(b.items)

    live = [b for b in buckets.values() if b.items]
    picks, weights = [], []
    for b in live:
        n = min(int(batch_size * b.max_ratio), len(b.items))
        if n == 0:
            continue
        picks += [b.items[rng.randrange(len(b.items))] for _ in range(n)]
        weights += [b.sample_weight] * n

    # 权重高斯归一化后做无放回抽样，保证每个来源都进 batch
    total = sum(weights) or 1.0
    norm = [w / total for w in weights]
    idx = rng.choices(range(len(picks)), weights=norm, k=min(batch_size, len(picks)))
    return [picks[i] for i in idx]

このコードの要点は実装ではなく、二つの「順序」についての判断にある。フィルタがオーバーサンプリングより先であり、割合の上限が重み付けサンプリングより先である。前者は汚染されたサンプルが勾配によって拡大されるのを防ぎ、後者はあるデータ源がマルチステージの訓練の中でモデルを意図しない方向へ主導することを防ぐ。この二つはサンプリング実装の詳細を調整するよりもずっと重要であるが、教程で強調されることはほとんどない。

八、視覚・言語・アクションのモデルと従来の制御スタック：本当の問題はインターフェースである

8.1 アクション表現：離散 token から連続的なアクションチュンクへ

VLA 系モデルの思路は明確である。視覚言語モデルの事前訓練（大量の図文意味、指示理解、常識）を丸ごと再利用し、出力ヘッドだけをアクションに置き換えるだけである。問題は出力ヘッドの設計にあり、2026 年にはここに三つの案があり、それぞれに長所と短所がある。

離散 token 化：連続的なアクションを次元ごとにバケットで量子化して token 化し、言語モデルのデコードヘッドを再利用する。利点は訓練・推論スタックの再利用と、量子化ノイズがそのまま正則化になること。欠点は量子化誤差が精密操作でそのまま精度を食うことと、系列長が次元数に比例して伸びて推論遅延が明示的になることである。次元が低く、精度要件が中程度の多関節制御に向いている。

連続回帰：正規化した連続アクションを直接出力し、ガウス混合や拡散ヘッドを使う。精度はよいが、推論で複数回サンプリングする必要があり、出力にはマルチモーダルな不確かさが残る。工学的には離散案ほど安定していない。

アクションチュンクング(action chunking)：現在の主流の答えである。未来 N ステップのアクション系列を一度に出力し、実行器はその系列に従って進み、末尾か割り込みの時点で新しいチャンクを要求する。これは同時に三つの問題を解決する。推論周波数を制御周波数より十分低く保てる（10 Hz の推論で 50 Hz の実行なら十分）、推論遅延が複数ステップのアクションに分散される、そしてアクションの時間局所性が明示的にモデル化される（隣接フレームのアクションは本質的に相関している）。

8.2 周波数と遅延：中間層のエンジニアリングの細部が手触りを決める

アクションチュンクングがもたらす新しい問題はチャンク境界での不連続である。新しいチャンクで計算された最初のアクションと、前のチャンクの最後のアクションとの間には跳躍が存在し、アームのジッター（action jerk）として現れる。この種のジッターは見栄えが悪いだけでなく、ハードウェアの寿命と把持の成功率を明らかに削ぐ。

標準的な対策は実行層での時間的アラインメントと平滑化である。以下のコードは最小構成のチャンク実行器を示しており、重点はリサンプリング方法の選択とジッターの抑制にある。

import numpy as np


class ChunkExecutor:
    """把低频推理的动作分块，平滑地执行到高频控制回路里。

    三个关键取舍：
    1) 用重采样而不是保持，配合一次低通滤波，消除块边界跳变；
    2) 剩余步数不足一半就请求新 chunk，让重规划发生在动作平缓段，
       而不是等到块用尽、在接缝处硬切；
    3) 滤波强度自适应：低速段可以重滤波，高速段必须保相位，
       否则反而会让动作滞后于指令。
    """

    def __init__(self, ctrl_hz: float, infer_hz: float, smooth: float = 0.25):
        self.ctrl_dt = 1.0 / ctrl_hz
        self.steps_per_chunk = int(round(ctrl_hz / infer_hz))
        self.smooth = smooth              # 0 = 不滤波，1 = 完全跟随上一动作
        self.buffer = np.zeros((0, 0))
        self.idx = 0
        self.last = None

    def load_chunk(self, chunk: np.ndarray) -> None:
        """chunk 形状为 [T, D]，T 应等于 steps_per_chunk 或其整数倍。"""
        self.buffer = np.asarray(chunk, dtype=np.float64)
        self.idx = 0

    def step(self) -> np.ndarray:
        # 剩余步数不足一半时提前补块，让重规划发生在动作平缓处
        if self.idx >= len(self.buffer) - max(1, self.steps_per_chunk // 2):
            raise NeedsNewChunk()

        target = self.buffer[self.idx]
        self.idx += 1

        if self.last is None:
            out = target
        else:
            # 速度自适应的低通：速度越大，滤波越弱，保住跟随性
            speed = float(np.linalg.norm(target - self.last))
            alpha = 1.0 - self.smooth * float(np.exp(-speed))
            out = self.last + alpha * (target - self.last)

        self.last = out
        return out


class NeedsNewChunk(Exception):
    """执行器主动请求新推理结果；由上层控制循环捕获并调用模型。"""

ここで最も覚えておきたいエンジニアリングの直感は、再計画のタイミング自体が制御設計の一部であるというところにある。常にチャンクを使い切って 나서再計画すると、チャンク末尾と開始部の二か所にジッターが生まれる。早めに平らな区間で再計画すれば、ジッターは動作自体が滑らかな場所に落ちる。これが「モデルが使える」から「手触りが使える」になる境目であり、この種のシステムが実験室と生産線で体感の差が最も大きい場所でもある。

8.3 安全性：VLA もワールドモデルも安全コントローラではない

明確にしておくべき現実がある。言語モデルの確信度は信頼できず、安全性の判定基準には使えない。VLA に「今このアクションのリスクが許容できるかどうか」を自己判断させることは、分布外において何の保証もないモデルに安全機能を背負わせることに等しい。生産線での実際は独立したシールド層であり、この経路のいかなる箇所にも学習モデルは含まれない。

  • ハード制約：関節位置・速度・トルクのリミット、ワークスペース境界、奇异姿勢の回避。
  • 衝突モニタリング：リアルタイム深度または関節エンコーダに基づく独立した検出で、トリガーしたら即停止。方策には尋ねない。
  • ウォッチドッグ：推論がタイムアウトしたときや出力が範囲外になったとき、タイムアウト時間が来たら既定の安全姿勢に入る。直前のアクションを保持するのではなく。
  • 人間との併存時の縮退：安全区域に人が侵入したと検知したら保護停止に切り替え、モデルの推論ループには入れない。

ここにはシミュレーションでは決してテストできない要件がある。システムは「設備の異常」のようなシミュレーションには存在しない状況を処理できなければならない。たとえばある関節のエンコーダが跳躍する、把持の途中で空気源の圧が落ちる、協働アームが外力に引かれる、などである。実際の配備で起こる失敗モードの相当な割合がこの類に属し、シミュレーションによる訓練はそのカバレッジがゼロである。だから実生産線の受け入れテストでは「障害注入」の項目をわざわざ設計する必要がある。

九、ベンチマークの成績と現実の着地との間の乖離

embodied AI に関する論文では、成功率はほぼ情報量のない指標である。その理由が指標の設計が悪いからではない。それが担う意味が極端に広く、現実关心のことがすべてその平均の下に溶けてしまうからである。

9.1 三つの軸における系統的なズレ

オフラインと閉ループのズレ。ベンチマークの大部分は、「一定の実履歴観測を与えて未来数フレームを予測する」あるいは「タスクを与えてアクション系列を出力する」というオフラインのプロトコルで測られている。現実の配備は閉ループである。アクションが以降の観測に影響し、観測が次のアクションを決める。このフィードバックループが分布のシフトを「小さな摂動」から「構造的な差異」へと拡大する。オフラインの指標は、閉ループのリスクを予測する力がきわめて弱い。

平均とロングテールのズレ。ベンチマークは平均の成功率を報告するが、生産線が関心を持つのは分布の下側の百分位、つまり最悪の 10% のシーンである。「平均 90% の成功」というシステムでも、失敗がある特定の物体の反射やある特定の置き方の角に集中しているなら、その生産線での可用性は「平均 75% でも失敗が均等に散っている」システムよりずっと低くなりうる。

完成と有用のズレ。ベンチマークの「成功」は通常、タスク级的二値判定で、物が最終的に所定の位置に到達したかどうかで測られる。しかし工業的な現場が重視するのは過程の品質である。こつ傷はないか、公差を超えていないか、隣の部品へ影響していないか、追加の手直しが必要か。成功率が高くても軽微な損傷をしばしば引き起こすシステムは、実的费用面上はむしろ悪い可能性がある。

ベンチマークが通常報告するもの生産線が本当に気にしている 것ズレがもたらす判断の偏り
タスク级的平均成功率バケット別の成功率の下側の百分位特定の外乱に対する信頼性を過大評価する
オフラインの予測誤差（ピクセル / 潜在空間の距離）閉ループにおけるアクション結果の正しさ視覚的に妥当なものを物理的に正しいと誤認する
単回の試行成功率失敗した後に自己回復できるか生産線には無限のリトライがないため、実用性を過大評価する
固定された初期条件の分布現場の実際の初期条件の分布ベンチマークの分布は挑选されており、外挿性が過大評価される
完了したかどうか（ブール値）過程の損傷と公差見えない品質コストを無視する

9.2 生成型ワールドモデルの評価ズレはいっそう深刻である

動画生成型のワールドモデルは、いまでは視覚品質指標（忠実度、構造的類似性、知覚的距離など）で評価されるのが普通である。この指標群は「アクション結果の正しさ」との相関がきわめて弱く、負の相関すらありうる。手の中のカップをそのまま机に貫通させて落としていくような動画なら、画質指標では非常に高いスコアになりうる。物理的には完全に間違っている。

実際の能力をより忠実に反映する評価方法は反実仮想介入テスト(counterfactual intervention)である。同じ初期シーンを固定し、一つのアクションだけを変え、モデルの出力の差が物理法則に従うかを調べる。このテストは自動化された判定基準として直接書ける。

一つは方向的单調性。加える力が大きいほど物体の変位は大きくなり、方向も一致すべきである。「力が大きいほど変位が小さくなる」や方向が反転してしまう場合、その領域のモデルは相関で無理やり合わせただけだ。もう一つは不可逆性の一致。同じ状態でもって同じアクションを二度行った結果は同じでなければならない。二度の出力が有意に異なるなら、閉ループに必要な決定性をモデルが持っていないことを示す。三つ目は保存関係。積み重なりのシーンや衝突のシーンで、物体の総数や支持関係が保たれているか。この種の判定基準はايةの視覚指標よりも遥かに「そのモデルをシミュレータとして使えるか」に近い。

強調しておきたいのは、これらの三つのテストが極めて安価だということである。ラベルも人手による評価も必要なく、物理的な常識から得られる定性的な関係だけでよい。インタラクション能力を持つと主張する生成型ワールドモデルには、标配の受入項目として課すべきであり、2026 年の実際の普及率はいまだに低い。

9.3 より実際の着地に近い評価の視点

どれか一つだけ変えるとしたら、報告のしかたを「成功率を一つ報告する」から「初期条件の難易度でバケット分けした成功率の曲線を報告する」に変えることを提案する。さらに三つの指標を併記したい。一回のタスク完了あたりの平均人手介入回数、一回のタスクにおける最悪分位の所要時間、そして失敗した後の自己回復の割合。

この三つがそろって、はじめて「可用性」が構成される。最初のものは何人が横に立っている必要があるかを測り、二番目はテンポが生産線に耐えられるかを測り、三番目はシステムに基本的な靭性があるかを測る。それでいて、制御されたベンチマーク環境の下ではこれらは意味がないので、論文ではまったく扱われない。

十、もし今日から始めるなら：段階的なエンジニアリングの道筋

ここまでの九つの議論を実行可能な判断に圧縮すると、核心は「研究のフロンティアという順序でエンジニアリングの投資順序を決めない」ことにある。研究の順序は「まずモデルを強くする」であり、エンジニアリングの順序は「まず現在の能力でコストを回収してから、次の段階に投資する」でなければならない。

10.1 フェーズ一：ワールドモデルを持ち込まず、まずコストを回収する

今ある着地可能なタスクの大多数はワールドモデルを必要としない。タスク分布が狭く、許容範囲が広く、精度要求が中程度であれば、単純なフォワードの視覚・言語・アクション方策に、アクションチュンク実行器、リミットと衝突シールド、ウォッチドッグを加えるだけで、使える水準に届く。

このフェーズの中心的な成果はモデルではなく、データパイプラインと障害のチェックリストである。実際に何百時間走らせた後に得られる最も価値の高い情報は「タスクが実際にどこで失敗したか」であり、このリストが次に実機データに投資すべきか、合成データに投資すべきか、知覚を改善すべきかを決める。

10.2 フェーズ二：ワールドモデルが複利を生むシナリオ

フェーズ一のデータループが回りはじめたとき、明確にリターンをはじめめる投資が三つある。

合成データでロングテールを埋める。フェーズ一で見つけた失敗サンプルを再現可能なシーン記述に変え、生成やシミュレーションで量産する。こういう応用は閾値が最も低い。ワールドモデルが「かなり現実的」である必要はなく、失敗の近傍で概ね筋が通っていればよく、これは全体の物理的忠実度を追求するよりずっと容易である。

システム同定で駆動するシミュレーション。実機データで摩擦・遅延・コンプライアンスのパラメータを逆較正し、シミュレーションを「見た目が似ている」から「動かし方が似ている」へ押し上げる。純粋にエンジニアリングの作業であり、モデルの革新は不要だが、効果は直接的で検証できる。

短時間範囲の潜在空間計画。ワールドモデルを方策の「内部シミュレーション器」として使い、潜在空間で少数分岐の計画を行って、単点の貪欲なアクションに置き換える。遮蔽があり、遅延があり、アクションの結果の予測が必要なタスクには実利があり、時域が短く次元が低いので誤差の蓄積に引っ張られることもない。

10.3 いつなら生成型ワールドモデルに賭ける価値があるか

生成型ルートに大掛かりな投資をする価値があると判断できるシグナルが三つある。満たしているものが多いほど賭け金を増やすべきである。実機での収集が危険か非現実的である（通電、高温、有毒、高速な衝突が伴う）。大規模で並行な環境相互作用が必要であり実機では全く供給できない。失敗サンプルのほうが成功サンプルより価値が高い（たとえば「避ける」という行動を訓練する場合、能動的に失敗を生成するほうが失敗を収集するよりずっと楽である）。

逆に、タスクの失敗がデータを増やせば解決し、精度要求が非常に高く、そして本物の接触フィードバックが必要なら、今すぐ生成型ワールドモデルに軸足を移すのは、研究としてはきれいであっても使えないシステムに終わる可能性が高い。

10.4 選択基準のチェックリスト

技術ルートを決める前に、以下の問いには一つずつ答えておく価値がある。その答えがほぼそのままルートの帰属を決める。

  • タスクの初期条件の分布を正確に列挙できるか。できるなら、まずフォワード方策を作り、ワールドモデルには触れるな。
  • 失敗の主な原因が知覚の不足なのか、アクション精度の不足なのか。後者ならワールドモデルは役に立たない。
  • タスクの持続時間は一分を超えているか。超えているなら、まず誤差の蓄積を解決すべきで、単歩の予測精度を上げるべきではない。
  • 実機では安全に採れないサンプルが必要か。不要なら、生成型ルートに今のところ代替不可能な理由はない。
  • 信頼できるアームのポーズ制御と力制御のインターフェースはあるか。なければ、どれほど VLA が良くても力を発揮する場所がないので、まずスタックを補う。
  • 「シミュレーションから現実へ」のシステム同定の作業量をチームで負担できるか。無理なら、予算を実機データに投じる。

10.5 やってはいけない三つのこと

最後に、明確に「しないべき」と断言できる推奨をいくつか挙げる。いずれも代償が過小評価されている選択である。

ワールドモデルをデータ強化の完全な自動化代替として扱わないこと。人手または自動検証によるフィルタの段階が欠けていると、物理的に誤ったサンプルがそのまま訓練セットに流れ込む。そしてその誤ったサンプルは分布上かなり本物データに似ており、訓練指標は正常に見える。問題は配備に入って初めて露見する。

安全シールド層がない状態で VLA に直接実行器を駆動させないこと。言語モデルの出力分布には硬い境界がないが、実行器にはある。リミットを入れるコストは数行のコードであり、入れない代償は事故そのものになる。

視覚品質指標をインタラクティブなワールドモデルの保証に使わないこと。これは最もよくある評価の誤用であり、指標が既に用意されていて、報告が見栄えのよいので、論文でも経営報告でも説得力が大きい。まさにそこが危ないところでもある。

十一、結語：三つのルートの収束方向

冒頭の三つのルートに戻ると、2026 年に成立しうる終局の形は、どれか一つのルートが勝出面ではなく、階層化された混合スタックである。

最下層は信頼できる三次元と意味の状態表征であり、視覚言語モデルの先験と多視図幾何が共同で提供する。この層が求めるのは「十分であること」であって「精密であること」ではない。中層は短時間範囲のアクション条件付き予測であり、潜在空間で数秒間の推演を行って上位の意思決定を支える。その価値は忠実度ではなく速度に由来する。最上層は従来の制御と安全のスタックであり、ミリ秒単位の実行、接触レベルの操作、失效の処理を担う。学習はしないが、システムの信頼の最後の環である。生成型モデルはその中で主にデータエンジンとシーン編成器の役割を演じていて、リアルタイムなシミュレータではない。

この判断の根拠は本文中に繰り返し出てきた。物理情報は視覚データに欠けており、接触情報はあらゆる受動的なデータに欠けており、長時間の予測は現在のモデル容量では信頼できない。これらはエンジニアリングの投入不足から生じる一時的な困難ではなく、データそのものの性質が決める境界である。したがって務実的な道筋は万能なワールドモデルを待つことではなく、各段階を情報優位のある位置に置き、優位のない段階には明確な防備を築くことなのである。

研究者への示唆はこうである。数百ステップのロールアウトができる万能モデルを追求するより、狭くて正確な能力に気力を注ぐべきである。たとえば接触前の精密なポーズ予測であり、あるいは一度だけの反実仮想介入に対して正しく応答できることである。狭い能力は製品に入れていけるが、万能モデルはまだまだ論文の中に留まっている。

十二、エンジニアリングのスタック：ワールドモデルを実際にロボット上で動かす

ここまでのすべてのルートに関する議論は、最終的にきわめて素朴な試練に直面する。その試練とは「対象ロボットの演算予算の中で、十分な決定性をもって、閉ループ上に時間どおりに出力できるか」というものである。この節では手法ではなく、手法をシステムに変えるときに繰り返し現れるいくつかの硬い制約だけを扱う。これらは些末に見えるが、生産線上の失敗の大半はここに発生するのであって、モデルアーキテクチャの側ではない。

12.1 レイテンシバジェットは先に分解してから最適化する

「推論が遅すぎる」という文句には行動指針がない。正しいやり方は先にレイテンシバジェットを分解し、制御周期の中の一ミリ秒ずつがどこへ消えるのかを書き出すことだ。センサーの取り込みと露光、画像のプリプロセス、視覚のエンコード、ワールドモデルの推演、アクションチュンクの後処理、実行器への指示送信と通信、そして各段階の待ち行列。これらをそれぞれ定量化したうえで初めて、何をどこで最適化すべきかが分かる。

バジェット分解が終わると、たいてい逆説的な結論に直面する。大規模モデルの単一フォワードを最適化する利得は限定的で、実際に最適化すべきなのは一見最も地味なデータ搬运の段階である。画像がメモリから計算ユニットへコピーされる部分、隠れ状態がモジュール間を移動する部分、ホスト側の同期点。これらは積み上げると全体のレイテンシの三割以上を占めることが多く、しかも対処手段は直接的だ。テンソルの事前確保、暗黙の同期の排除、固定形のプリプロセスのグラフへのコンパイル、である。

段階一般的な大きさ最適化手段利得の上限
画像の取り込みと露光フレームレートと同階で、圧縮できないセンサーフレートの向上、露光の短縮低いが、しばしば硬い下限になる
前処理とデータ搬送深刻に過小評価されやすいページロックメモリ、固定バッファ、暗黙の同期の回避高、コストも低い
視覚とバックボーンのフォワードモデル規模の増加にともなって増える量子化、構造化プルーニング、オペレータ融合中〜高、精度を犠牲にする
ワールドモデルの推演時間範囲と分岐数にともなって増える時間範囲の短縮、分岐の削減、キャッシュ高だが、直接的に能力を弱める
実行器への通信と指示送信バスとプロトコルに依存するハードリアルタイムバス、指示の一括送信中、ハードウェアに依存する

表の「利得の上限」の列は選定の核心的な参考資料になる。ワールドモデルの時間範囲を短くすることは、レイテンシの最適化手段であると同時に能力の削減手段でもある。これは欠陥ではなく、レイテンシバジェットを満たすたびに何を何と交換しているのかを明確に把握しておくべきだという戒めである。多くのチームが、性能の最適化をしているつもりで、実態はモデル能力を半分だけ削られたまま進めている。

12.2 非同期化：閉ループ系で最も重要なアーキテクチャ判断

「ワールドモデルの推演」を同期ブロッキング呼び出しとして実装するのは、最も多いアーキテクチャの誤りであり、デモ環境では生き残り量産で落ちる設計でもある。正しいやり方はシステムを知覚と推演（非同期で、遅延も許され、フレームのドロップも許される経路）と制御実行（同期で、ハードリアルタイムで決して待たない経路）の二本の独立したループに分けることである。

このアーキテクチャの要点は、制御ループが推演結果に依存しない継続能力を持たなければならないことにある。新しいアクションチンクがまだ計算されていないとき、システムはなにを実行するのか。この問いの答えがシステム全体の靭性を決める。典型的な方法は三つから一つを選ぶ。前のチャンクの末尾を実行し続ける（簡単だが、すでに古くなっている可能性がある）、直前に送信したホールド指示を維持する（簡単だが、接触タスクを壊す）、あるいは独立した保守的なコントローラに任せる（複雑だが最も安全）。接触系のタスクでは第三の方法は通常必須である。

もう一つ忘れがちな点がある。推演結果はタイムスタンプを持ち、期限切れかどうかが検査されなければならない。数百ミリ秒前に計算されたアクションチンクが、その時点で既に閉ループが数十フレーム進んでいるなら、その意味は「未来の何フレームかの計画」から「既に起きたことに対する遅れての反応」に変わっている。システムはこの状況を識別して破棄しなければならず、盲目的に実行してはならない。

12.3 決定性と再現性：デバッグ体験の分水嶺

ロボットシステムのデバッグコストは、再現できるかどうかで大きく左右される。縮約順序の非決定性から生じる浮動小数点の差、スレッドスケジューリングの差、複数ストリーム実行のタイミングの差、これらは同一のコードを二度走らせると僅かに異なるアクションを生む。そしてそれがまさに「今回は成功し、次回は失敗した」という結果につながる。

実行可能な手法には、推論側でスレッドと演算子の決定性オプションを固定すること（一定の性能と引き換えになるが）、データサンプリングと訓練の全チェーンに乱数シードを通すこと、アクションログだけでなく完全な入力状態のスナップショットを記録すること、そしてログの中で「観測データ」と「モデル内部の状態」を区別することが含まれる。最後の項目が特に有用である。アクションだけを記録してモデル内部の状態を記録しないと、問題が起きたときに知覚が間違っていたのか推演が間違っていたのか実行が間違っていたのかをほとんど判定できない。

12.4 現実的なリソース判断

最後に「やる価値があるか」を数値化しておく。判断の枠組みは単純である。ワールドモデルがもたらす価値は、それが置き換えた実機との相互作用の回数に一回の相互作用コストを掛けた値から、訓練コストと推論の演算コストと長期的な保守コストを引いたものになる。

もしタスクにおける一度の実機相互作用のコストが極めて高いなら（危険、稀少なため、多大な人手リセットを要する）、分子項は大きくなり、ワールドモデルへの投資のリターンは十分な水準になりうる。しかしタスクが数百回の相互作用で実機データだけで解決するなら、ワールドモデルは一生追いつかない可能性が高い。使えるレベルのワールドモデルを訓練するのに必要な相互作用と反復の回数が、それ自体が直接実機データを採取する回数を超えてしまうからである。これは誰も計算したがらないのに、計算すると意思決定が変わる数字である。

十三、頻出する失敗モードの早見表

ここまでの各節で論じてきたのはメカニズムである。この節ではコストの最も高い数種類の失效を単独で列挙する。それらには一つの共通の特徴がある。訓練指標は完全に正常に見え、問題が配備に入って初めて露見する。それぞれのあとに、早期に発見できる観測シグナルを一つ挙げる。

13.1 潜空間の潰れ：損失は漂亮だが、潜変数が情報を運ばない

表征型ワールドモデルで最も危険な失效は表現の潰れである。コンテキストエンコーダが、すべての入力を似たベクトルにエンコードすればよいと気づくと、再構成損失も予測損失もきわめて低く下げられるが、その時点のモデルはあらゆる入力に対してほぼ同じ予測を返すので、何も学べていないことになる。典型的な徴候は、潜変数の分散が訓練とともに単調に減少すること、あるいは予測損失が最初の数エポックのうちに早くも低い水準で止まってしまうことである。

観測できるシグナルは二つある。ひとつは、潜変数がシーンごと・サンプルごとに分散を持つかを調べることで、標準的なやり方は潜在空間の特徴の次元ごとの分散を計算することだが、ほとんどの次元がすでにゼロに近づいていれば、潰れ始めている。もうひとつはターゲット分岐の EMA 更新率を見ることで、速すぎれば潜在空間はコンテキスト分岐と一緒に退化してしまうし、遅すぎれば学習が動かない。この二つのパラメータの調整順序は、まず分散正則化の強度を上げ、次にターゲット分岐を遅くすべきである。

13.2 分布外自殺：一歩間違えれば、後ろはすべて無効

すべてのロールアウト型のワールドモデルにはこの性質がある。真実の状態分布の外側では誤差が超線形に増える。その結果としてシステムが連鎖的に崩壊する。初期の知覚エラーによって状態が訓練分布から外れ、ワールドモデルの予測がそれに応じて歪み、方策が誤った予測に基づいて行動し、真実の状態がさらに外れていく。正のフィードバックが完成する。

観測できるシグナルは「予測の確信度と実際の誤差の相関」である。ワールドモデルが自身に確信があると思う領域で実際は誤差が大きくなるなら、モデルは自分の無知を識別する方法を学んでいない。実行可能な緩和策は潜変数に分布外検出を付けることで、トリガーしたら保守的な方策へ戻るか一度だけ再観測を求めるようにし、予測を信じ続けるのではなく。

13.3 生成型ワールドモデルが統計的な関連を因果として扱う

オフライン動画は滑らかに見えるが、閉ループでは物体が体系的に漂い、貫通し、数が変化する。これはモデルが因果ではなく相関を学んだときの典型的な表れである。オフライン評価ではほとんど露見しない。フィードバックのループが存在しないからだ。

最も安価な検出手段は、すでに触れた反実仮想介入である。シーンを固定してアクションだけを一つ変え、出力の差が物理的な直感と符合するかを調べる（力が大きいほど変位が大きい、同じアクションを繰り返した結果は一致する、積み上げた後に物体の総数は変わらない）。この三つの判定基準はいかなるラベルも不要で、数行のスクリプトで自動化できる。インタラクティブなあらゆるワールドモデルの受入項目にすべきである。

13.4 VLA の指示遵守の罠

視覚言語アクションモデルは言語モデルの従順性訓練を継承しており、デモでは利点である一方、生産線では隠れた危険になる。シーンと指示が衝突するとき、指示が「カップを机に置いて」と言っているのに机にすでに同種のカップがある、あるいは指示が述べる物体がそもそも視野に入っていない——のようなとき、モデルの出力は複数の合理的な解釈の間でランダムに揺れることが多く、明確に実行を拒否することはほとんどない。

生産線での対処は、モデルの中にロジックを足すのではなく、アーキテクチャに事前の実行可能性と状態の確認という一段を足すことだ。まず独立した知覚で目標が存在しかつ一意であることを確認し、次に規則やポーズ制約で目標が到達可能であることを確認し、その上で曖昧さのない指示だけを VLA に渡す。VLA が担当するのは「どうやるか」だけで、「やれるか」は担当しない。

13.5 データループの自己汚染

合成データが一度訓練セットに入ると、モデルが生成する次のデータには前のラウンドのバイアスが入り、フィードバックループが拡大し続ける。これは自己生成型のすべてのパイプラインが共有するリスクであり、しかも普通のオーバーフィットのように検証データでは露見しない。検証データも生成器から来ているからだ。

防御手段は三つあり、必ず同時に使う必要がある。生成器を一度も通さない実データのアンカーを一本残す。どの段階でもそこからサンプリングし、性能の劣化を監視する。物理ルールによるフィルタで、明らかに保存則や幾何制約に違反するサンプルを捨てる。そして定期的な人手による抜き取り検査、である。前者二つのフィルタもそれ自体が失敗しうるので、自動フィルタを不定期な抜き取り検査で補わなければならない。実データのアンカーを欠いた場合、残る二つ汚染を隠すだけになる。

十四、結語：結論を判断可能な数項に圧縮する

ワールドモデルは単一の技術カテゴリーではなく、三つの能力——抽象的な表征、アクション結果の予測、時空記憶——の組み合わせである。この三つの能力は現在それぞれ成熟度が異なり、かつ情報条件への要求も異なる。インタラクティブ性とリアルタイム性と物理的整合性を同時に満たすことは、2026 年においてあらゆる単一システムの現実の状態ではない。

六項に圧縮できる。選定時に直接突き合わせてほしい。第一に、表征型ルートはすでに製品の中に入っている。生成型ルートは主にデータセットと事前学習の段階で役立っている。これは後者が後進ではないからではなく、閉ループが物理的忠実性とミリ秒の推論を同時に要求し、この二つの条件は現在コストの点で互いに矛盾しているからだ。第二に、三次元表征の価値は後工程が「見る」のか「触れる」かで決まる。描画用途ならガウシアンか暗黙場、衝突と把持なら占据か点群に戻さなければならず、誤った表征を使う代償は、精度が足りないことよりも遥かに大きい。

第三に、長時間の一貫性の困難は数値誤差ではなく分布シフトから来る。したがって解法はモデルを大型化することではなく、短時間範囲と高頻度の再計画である。第四に、接触レベルの能力は情報欠落によって制限される。視覚には力も触覚もなく、この問題は大きなモデルでは解けず、センサーで補うしかない。したがって精密な組立系タスクの現実的な答えは、依然として古典的な力制御に高層モデルを足すことである。第五に、実機データのコストのボトルネックはリセットとシーンカバレッジにある。データの問題をモデルの問題と誤診することほど、このルートでもっとも頻出かつ最も費用の高い誤りである。

第六に、ベンチマークと着地の間の乖離は主に評価プロトコルから来ている。平均の成功率を難易度バケット別の成功率の曲線に置き換えること、視覚指標を反実仮想介入テストに置き換えることは、意思決定の質を上げる最も費用効果の高い二つのアクションである。

役割ごとに結論の重点は少しずつ違う。研究者は、狭いしかし正確な能力のほうが、幅が広いが空っぽの汎用性よりも採用されやすいことを認めるべきであり、課題を選ぶときは既に検証に使える情報が揃っているシナリオを優先し、最も流行している方向を選んでからデータを探しに行くべきではない。エンジニアリングを担当するなら、最も投資する価値があるのはモデル自体ではなく、実機での失敗を収集して引き戻し、毎回の反復で同じ失敗リストが見えるようにするデータループである。意思決定の責任を持つなら、新しいシステムを評価する前に必ず、それがどの条件で失敗するのか、そしてその失敗にどう気づくのかを先に問うべきで、標準ベンチマーク上の順位を先に見るべきではない。

この十三節と前述のルート議論を合わせて見ると、統一的な判断が得られる。embodied AI の現在のボトルネックはモデル容量ではなく、情報と検証にある。物理情報は受動的なデータの中になく、接触情報は安価なデータの中になく、真実の失效分布はベンチマーク集の中にない。この三点のために、多数がリードに見える能力がそのまま使えるシステムに変換できない。そしてエンジニアリングの重心をこの情報の穴埋めに置く（実機での採集、システム同定、障害注入、実データアンカー）チームは、単にモデルを大きくするより着実な進展を出すことが多い。