「LLMの次のカテゴリ」を狙うWorld Labs ― 世界モデル「Atlas」が示す3つの用途
大規模言語モデル（LLM）は、離散的なトークン列を処理する汎用的な水平エンジンとして、今日私たちが使うあらゆるアプリケーションを支えてきました。では、その隣にもう一つ別のカテゴリのモデルは存在するのか。
World Labsの共同創業者Justin Johnson氏の答えは明確です。視覚的理解と物理的理解に根ざした「ワールドモデル（世界モデル）」という、もう一つの水平的なモデルカテゴリが存在する。同社はその考え方に基づき、マルチモーダル世界モデルAtlasを発表しました。
ポッドキャスト「MTS」に出演したJohnson氏へのインタビューから、Atlasが何をするモデルなのか、前作Marbleから何が変わったのか、そして、この領域がどの産業に接続していくのかを整理します。ビジネス・投資の観点で押さえておきたいのは、これが製品発表ではなくモデル発表であり、今後のWorld Labs製品群の基盤として位置づけられている点です。
1. Atlasとは何か ― 生成・再構成・シミュレーション
Johnson氏は、まず、今回の発表の性格を明確にしています。
「これは製品ローンチではありません。モデルの発表です。製品は後から来ます。これはベースモデルであり、World Labsの今後の製品を動かすものになります」
そのAtlasが担うのは、大きく3つの機能です。
1-1. 生成（Generation）
存在しない世界を新たに生成する機能です。テキストプロンプトから始めることも、画像プロンプトから始めることもでき、そこからカメラを操作して、生成された世界を飛び回ることができます。
用途としては、VFXからゲーミングまで、クリエイティブ領域全般が想定されています。
1-2. 再構成（Reconstruction）
新しい世界を作るのではなく、実在する空間をバーチャル世界に持ち込む機能です。ここでのポイントは「スパース再構成」——つまり、少ない入力で成立することです。
Johnson氏によれば、わずか1枚の写真から、100枚以上まで対応し、写真の枚数が増えるほど実空間をより正確に再構成できます。
1-3. シミュレーション（Simulation）
3つ目がシミュレーションで、こちらは主にロボティクス（およびVFX）を睨んだ機能です。既存の空間を3Dで再現し、その空間でロボットがどう振る舞うかをシミュレートするという流れになります。
「World Labsが目指すのは、ロボット教育環境なのか、それとも人が過ごすメタバースなのか」という質問に対し、Johnson氏は、「すべてです」と答えています。中心にあるのは、エンターテインメント、VR、建設、ロボティクスといった多様な産業に適用できる汎用的なモデルカテゴリを作るという発想です。
「私たちはこの物理的に構築された空間の中で生活しており、そこを扱うためのモデルもまた必要なのです」
2. 「スロットマシン」にしないための設計 ― 空間コンテキストとカメラ制御
動画生成モデルには、長さが伸びるほど出力が破綻していくという既知の課題があります。参照画像を与えても、10秒を過ぎたあたりからモデルが独自の方向へ進み、ハルシネーションを起こしていく。この点をどう解決したのか、という質問に対する回答が、Atlasの設計思想を最もよく表しています。
2-1. 参照画像を3D空間に配置する
Atlasは、空間的制御（spatial control）と空間コンテキスト（spatial context）を軸に構築されています。
重要なのは、Atlasに与える参照画像が、「ただの画像ではない」という点です。それらは3D空間にグラウンディングされており、ユーザーは、「この参照画像はここ」「この参照画像はここ」と、3D空間上に画像を配置していくことができます。
そのうえで動画を生成する際も、テキストプロンプトを渡すだけではありません。カメラをどう飛ばすかを、ピクセル単位の精密な制御で指定します。
2-2. 3D空間に「パンくず」を残す
長尺化への対応も、この延長線上にあります。Johnson氏は、最大1分程度の動画の例を挙げ、より多くの参照画像を与えて3D空間上に軌跡に沿った「パンくず（breadcrumbs）」を置いていくことで、生成される動画に対する演出上のコントロールが効くと説明しています。
「本当に長い生成に進んでも、これはスロットマシンではありません。生成しながら演出し、モデルの出力を実際にコントロールしているのです」
この「スロットマシンにしない」という言い方は、インタビュー後半でも繰り返されます。レバーを引いて良い結果が出るのを祈るような生成ツールではなく、ユーザーが監督（ディレクター）として深いコントロールを持つツールを作りたい、というのが、World Labsの一貫した立場です。テキストで「パンイン、パンアウト、左にトラック」と書くのではなく、カメラを掴んで思い通りに動かしたい。だから、Atlasでは、カメラがネイティブな入力モダリティの一つとして扱われています。
3. Marbleからの転換 ― ガウシアンスプラットのボトルネックを外す
World Labsの最初の製品Marbleとの違いも、技術的に重要なポイントです。
3-1. 何が変わったのか
Johnson氏によれば、Atlasは、完全に作り直されたモデルスタックです。中心となる思想——複数のモダリティを入出力できるマルチモーダルモデルを作る——は同じですが、実装が大きく異なります。
Marbleでは、ガウシアンスプラットが多くの処理の中心に置かれていました。Marbleは動画も3Dシーンもメッシュも出力できましたが、それらはすべて3Dガウシアンスプラット表現をボトルネックとして通過していました。つまり、動画や画像を出力する際も、いったんガウシアンシーンを生成し、それを画像・動画にレンダリングし直していたわけです。
Atlasは、この依存関係を断ち切りました。アーキテクチャを統一的でスケールしやすいものに再設計し、2Dと3Dの分岐をより早い段階で行うようにしています。結果として、2D出力や動画出力の際にガウシアンシーンを経由する必要がなくなり、モデルが直接2Dのピクセルを返します。3Dが必要なアプリケーションのときだけ、3Dへ持ち上げる構造です。
3-2. ガウシアンスプラットは不要になったのか
では明示的な3D表現は役割を終えたのか。Johnson氏の答えは「ツールの一つとして使い分ける」というものです。
VFXのように最終出力が2D画像・2D動画であれば、それだけで足りるかもしれない。しかし、組み込みデバイス上のリアルタイムアプリケーションでは、ガウシアンをはじめとする明示的3D表現には依然として役割があります。
「将来、強力なサーバーファームからリアルタイムでピクセルを直接ストリーミングしている世界はあるかもしれませんが、まだそこには到達していませんし、到達したとしてもかなり高価でしょう」
モバイルやVRデバイスでのクライアントサイドレンダリングには、ガウシアンやメッシュが有用だという指摘です。
そして、もう一つ、より実務的な理由が挙げられています。既存のワークフローとの統合です。
「技術がこうしたものに浸透するには、私たちが予想するよりずっと長い時間がかかるのが現実です」
ゲーム、VFX、デザイン、建築の実務家は3D表現の上に成り立つ既存ワークフローを持っている。それを一気にAIネイティブへ切り替えさせるのではなく、AIを彼らのワークフローの中に入れて、彼らのいる場所で迎えにいく——そのためにも明示的3D表現は使い道がある、という整理です。
4. どこまで行けるのか ― Flight Simulator、GTA、そしてリアルタイム
インタビューでは、既存の体験との比較を通じて到達点が探られています。
4-1. 二つの技術ルート
OpenAIのTy氏が公開して話題になった「サンフランシスコ版GTA」（都市全体をガウシアンスプラット化して歩き回れるプロジェクト）のようなものは、Atlasでも実現できるのか。この問いにJohnson氏は、「できると思う」と答え、そこに至る道は二つあると説明します。
明示的3Dルート：
ガウシアンスプラットや3Dポイントクラウドのシーンを生成し、ゲームエンジンなどにインポートしてクライアント側で補間するフレーム直接生成ルート：
エンジンを完全に飛ばし、明示的3Dを一切介さずモデルが直接フレームを出力する
そして、Atlasは、両方に対応できるよう作られているというのが同氏の主張です。
Microsoft Flight Simulatorのように衛星データから世界を再構成する体験を、Atlasが動的に生成できるようになるかという質問にも、「思っているより早く実現する」と述べ、フレームを直接ストリーミングする方向については「かなり近いうちにできると思う」としています。
4-2. 予想外に効いた「バレットタイム」
物理シミュレーションの精度についても率直なやり取りがありました。ブラックホールのシミュレーションができるかという問いには、「おそらく大したものは出ないと思う」と答えています。
物理の扱いについての整理は明快です。おおむねニュートン力学の範囲であれば事前学習データに含まれており、うまく動かない部分も短いSFTで対応できる。一方、ブラックホール物理や量子力学の領域といった非ニュートン的な現象については、アーキテクチャとデータの両面を考え直す必要があるとしています。
その一方で、開発陣自身が驚いた成功例として挙げられたのがバレットタイム撮影です。
通常のiPhoneを3台、三脚に立てて同期撮影するだけで、Atlasが時間を止めて周囲を飛び回るリフレーミングショットを生成できる。ヘッドライナー事例として紹介されているのは、イチゴがオートミルクのボウルに落ち、ミルクが跳ね上がる瞬間で時間を止めて回り込むというものです。
「これがたった3つの入力ビューから動くというのは、本当に信じられません」
5. ロボティクスへの応用 ― 「リアル→シム→リアル」の高速オンボーディング
投資的な観点で最も具体的な示唆があったのが、ロボティクス領域です。
5-1. ラストマイルの評価環境
Johnson氏は、シミュレーションの価値をまず評価（evaluation）に見出します。ロボットは最終的に配置される環境で評価すべきであり、特定の工場、特定の機械、特定の環境で働くのであれば、その意図された環境で正確に動くことを確認したい。
つまり、ロボティクスの学習・評価における「ラストマイル」——最終ユースケースにできるだけ正確に一致するシミュレーションを構築する部分——に有用な役割がある、という主張です。大規模に事前学習されたロボティクス基盤モデルがあっても、その最終シミュレーション上で直接ファインチューニングしたり、評価を行ったりできます。
5-2. 5分でのオンボーディング
より踏み込んだシナリオとして語られたのが、「real to sim to real」です。
汎用のロボティクス基盤モデルを、特定の環境——「このスタジオ、このテーブル、このマイクを動かす」といった粒度——に適応させたい場合、Johnson氏はこう描写します。
スマートフォンでカジュアルな動画を数本、または写真を数枚撮る
Atlasでその空間を再構成する
その空間内でロボットのインタラクションを組み立てる
どんなタスクをさせたいかを自然言語で記述する
エージェントにシミュレーションを構築させ、RLファインチューニングを回す
「文字通り5分でできる。写真を5枚撮ってAtlasにアップロードすれば……数分のうちに、この空間に完璧に適応したロボットが手に入るかもしれません」
司会者が、「非常に高速なオンボーディングですね」とまとめた通り、ロボット導入コストの構造を変えうる話として語られています。ただしJohnson氏は、完全な文脈内学習（一度デモを見せれば十分というアプローチ）など、複数の技術ルートが並走していることも併記しており、断定はしていません。
6. OpenAIはなぜSoraを畳んだのか ― イノベーターのジレンマ
2023〜2024年、初代Soraと同時に公開されたOpenAIの論文タイトルは、「Video generation models as world simulators（世界シミュレータとしての動画生成モデル）」でした。World Labsのビジョンと近いように見えますが、OpenAIは、Sora 2をTikTokクローン的な消費者向けプロダクトとして展開し、その後、Soraを手放し、現在は、ワールドモデルに取り組んでいない——という前提で質問が投げられました。
Johnson氏は、OpenAIの内部戦略についてのコメントは避けつつ、こう述べています。
「少しイノベーターのジレンマの感覚はあるかもしれません。LLMという非常に強力なものの上に座っていて、そこで先頭を走っている。次のものに投資しようとするのは、必ずしも理にかなわない」
そのうえで、「私たちはここにもう一つのモデルのカテゴリがあり、膨大な機会があると考えている。それを掴みにいくのは自分たちでありたい」と続けています。
大手が既存の主戦場に最適化しているあいだに、隣接カテゴリを丸ごと取りにいく——スタートアップの典型的なポジショニングであり、投資家にとっては論点の一つになる部分でしょう。
7. 誰が使うのか ― エージェント、VR、そして「創る人」
7-1. 人間とエージェントの両方が使う前提
World Labsが繰り返し述べているのは、これらのモデルを人間とエージェントの双方が消費できる形で広く公開し、他のツールと相互運用させたいということです。
シミュレーション、再構成、生成、明示的3Dと2D——これらの汎用的な能力を提供したうえで、コーディングエージェントがそれらを繋ぎ合わせることで、人々が高速に体験を作れるようになる。APIとして提供すれば、他のソフトウェアと当然に相互運用できるという立場です。
7-2. VRはすでに使える
「世界モデルを扱う自然なモダリティはVRになるのでは」という司会者の予想に対し、Johnson氏は、「eventuallyではなく、すでに」と応じました。MarbleのVR対応はほぼ1年前から存在しているとのことです。
「ヘッドセットを着けると、自分が作った完全にAI生成の世界の中にいる。かなり驚くべき体験です」
7-3. 「GTA 6が最後の手作りゲーム」論への反応
司会者から出た「GTA 6は人間が書いた最後の偉大なソフトウェアで、今後のゲームはAtlasのようなもので即時生成されるのでは」という問いかけには、慎重な反論がありました。
Johnson氏は、これを技術の進化の一般的なパターンとして位置づけます。初期ディズニーのセル画一枚ずつの手描きも、当時としては新しい映画制作を可能にした新技術だった。音声と映像の同期も変革的だった。サイレント映画からアニメーション、Pixar時代のCG、そして、AIへ——。
「新しい技術が出てくれば、クリエイティブな人々は常に、新しい体験を可能にする興味深く革新的な方法を見つけます」
ハンドルを握るのは常に創る側の人間であり、AIは新しいクリエイティブツールだという整理です。
8. まとめ
このインタビューから読み取れる論点を整理します。
第一に、これは製品ではなく基盤モデルの発表である。 Atlasは、今後のWorld Labs製品群を動かすベースモデルであり、収益化のフェーズはこれからです。社内ツールは存在するものの、UI/UXの露出方法についてはJohnson氏自身が「もう少しイテレーションが必要」と認めています。
第二に、「制御可能性」が差別化軸として明確に置かれている。 参照画像の3D配置、ピクセル単位のカメラ制御、パンくずによる長尺の維持。競合の動画生成モデルが抱える「10秒問題」に対して、World Labsは演出可能性という切り口で応答しています。生成AIの実務導入において、再現性とコントロールがボトルネックになっている現状を踏まえれば、妥当な賭けと言えます。
第三に、収益機会の入口が複数ある。 VFX・ゲーミング（生成）、建設・不動産・デザイン（再構成）、ロボティクス（シミュレーション）。とくにロボティクスの「real to sim to real」による高速オンボーディングは、導入コストの構造そのものに関わる話です。同時に、これらすべてが「まだこれから」であることも事実です。
第四に、既存ワークフローへの接続を軽視していない。 ガウシアンスプラットを「役割を終えた技術」ではなく「ツールの一つ」として位置づけ、既存の3Dパイプラインに入り込む選択肢を残している点は、実務的な導入戦略として現実的です。
Johnson氏の主張を一文にまとめるなら、「LLMが、テキストに対して果たしたことを、ワールドモデルは物理空間に対して果たしうる」ということになります。その仮説がどこまで正しいかは、Atlasが製品として世に出てからの実績で検証されることになるでしょう。
