メタのV-JEPA 2画期的進展、人工知能におけるLLM以降の時代を告げる

画期的なビデオベースAIシステムが、現在の言語モデルを陳腐化させる可能性のある理解、予測、物理的計画能力を実証

メタは、今日の主要な言語モデルを動かすテキストベースの予測能力をはるかに超える能力を示す画期的なビデオモデル、V-JEPA 2を発表しました。インターネットビデオの100万時間以上で訓練されたこの基盤クラスのシステムは、多くのAI専門家が長年重要視してきたマイルストーン、すなわち受動的な観察と物理世界での能動的な計画との間のギャップを埋めることを達成しました。

表：ヤン・ルカンによるV-JEPA 2の主な批判点

批判点	説明
抽象化の欠如	人間のような推論やドメインを超えた汎化を達成できない
ベンチマーク性能のギャップ	新しい物理推論ベンチマークにおいて人間を大きく下回る性能
表面的な物理推論	深い因果推論や堅牢なオブジェクト永続性ではなく、パターン認識に依存する
漸進的なイノベーション	従来の自己教師あり学習方法のささやかな拡張と見なされている
限定されたモダリティ	主に視覚的；他の感覚データ（音声、触覚など）との統合を欠く
コミュニケーションと誇大宣伝	誇大宣伝され、代替または競合するAIモデルを軽視していると認識されている

見ることから行動へ：2段階の革命

V-JEPA 2を際立たせているのは、その革新的な2段階学習アプローチです。大量のタスク固有データを必要とする従来のAIシステムとは異なり、V-JEPA 2はまず受動的な観察を通じて世界の仕組みに関する一般的な理解を構築し、その後、最小限の追加訓練でこの知識を特定のタスクに応用します。

「これは、AIシステムがどのように学習するかについての根本的な再考を表しています」と、この研究に詳しいAI科学者は述べています。「ピクセル単位の完璧な予測を生成したり、世界のテキスト記述に依存したりするのではなく、V-JEPA 2は物理的な相互作用と時間的ダイナミクスの本質を捉える抽象的な表現を学習します。」

システムの第1段階では、インターネットビデオでの大規模な事前訓練フェーズが行われ、ピクセルレベルではなく、表現空間で欠落している空間的および時間的情報を予測することを学習します。第2段階では、驚くほどわずか62時間のラベルなしロボットインタラクションデータで、V-JEPA 2-ACと呼ばれる行動条件付きモデルが作成され、モデル予測制御を通じて物理的な操作タスクを可能にします。

形を成すルカンのビジョン

V-JEPA 2のアーキテクチャは、現在の主要な言語モデルの熱心な批評家であるメタの主任AI科学者ヤン・ルカンが提唱してきた主要な原則を具現化しています。ルカンは、真の人工知能は物理世界に根差し、テキストパターンを超えた豊かで多層的な表現を構築する能力を必要とすると一貫して主張してきました。

その結果は目覚ましいものです。V-JEPA 2は、ビデオ認識（Something-Something v2で77.3%のトップ1精度）、動作予測（Epic-Kitchens-100で39.7%のリコール@5）、ロボット操作（ピックアンドプレースタスクで65〜80%の成功率）といった伝統的に別々のドメインで最先端の性能を達成しています。最も印象的なのは、これらの能力が単一の共有表現から生まれていることです。

ロボット工学におけるデータの壁を打ち破る

おそらく最も重要な成果は、V-JEPA 2が最小限の訓練データで複雑なロボット操作タスクを実行できることです。従来のアプローチでは、数百時間にわたる専門家によるデモンストレーションや、数百万回の試行錯誤が必要でした。

「これは、適応可能なロボット工学への障壁を劇的に低下させます」と、AI開発を追跡する業界アナリストは説明します。「工場のロボットは、人間が同様の動作を実行するビデオを見ることで新しい組み立てタスクを学習でき、適応には最小限の物理的な試行錯誤しか必要としません。その経済的影響は計り知れません。」

表現空間におけるシステムのエネルギーベースの計画は非常に効率的で、計画ステップあたりの時間はわずか16秒であり、同等のシステムでは4分かかるところ、より高い成功率を達成しています。この効率性により、オンプレミス型のロボット群でのリアルタイム計画が可能になります。

言語を超えて：現在のAIの限界

V-JEPA 2の登場は、現在の主要な言語モデルの根本的な限界に対する認識が高まる中で起こりました。テキスト生成における印象的な能力にもかかわらず、LLMは物理的現実に根差しておらず、世界モデルを必要とする計画や推論のタスクに苦戦しています。

「私たちが目にしているのは、結合埋め込み哲学の正当性を証明するものです」と、この分野の研究者は述べています。「高忠実度の感覚データを生成したり、テキストにおける統計的パターンに依存したりするよりも、抽象的な表現空間で予測する方が効率的かつ効果的であることが証明されています。」

特筆すべきは、V-JEPA 2が言語による教師あり学習なしに事前訓練されているにもかかわらず、ビデオ質問応答タスクで最先端の結果を達成していることです。大規模言語モデルと連携させると、時間依存型の質問において画像-テキストエンコーダーを上回り、視覚-言語事前学習の主流パラダイムに挑戦しています。

産業変革の展望

V-JEPA 2の実世界への応用は、複数の産業にわたります。

倉庫およびマイクロフルフィルメントロボット工学では、高コストな再ラベリングや遠隔操作セッションなしに、システムが新しい製品に迅速に適応できるようになります。自律的な検査およびメンテナンス作業は、複雑な報酬設計なしにCAD/BIMモデルからの目標画像に基づいて条件付けが可能です。ビデオ分析および検索アプリケーションは、時間的推論タスクにおいて画像ベースのアプローチを上回る動き中心の埋め込みから恩恵を受けるでしょう。

XRアプリケーションおよび生成エージェントの場合、ビデオネイティブエンコーダーとLLMを連携させることで、時間を「真に認識」し、複合現実環境で知的に行動できるシステムが実現します。この技術の効率性は、計算資源が限られているエッジAIアプリケーションにも適しています。

投資環境：LLM以降の時代へのポジショニング

AI開発を追跡している投資家にとって、V-JEPA 2は競争環境における大きな変化を示唆しています。純粋な言語モデルに大きく投資している企業は、市場が物理世界の理解と計画能力を持つAIシステムをますます求めるようになるにつれて、課題に直面する可能性があります。

世界モデル技術の統合をすでに進めているロボット工学企業は、導入障壁が低下するにつれて、採用曲線の加速を目の当たりにする可能性があります。ロボット訓練に必要なデータの劇的な削減は、これまでデータ収集コストによって妨げられてきた中規模の自動化企業に特に利益をもたらすでしょう。

エッジAI処理に特化した半導体メーカーは、表現空間での計画がピクセル生成アプローチと比較して計算要件を削減するため、新たな機会を見出すかもしれません。同様に、ビデオ処理と潜在空間演算に最適化された特殊なAIインフラを提供するクラウドプロバイダーは、市場シェアの拡大を捉えることができます。

しかし、アナリストは、商用アプリケーションにはまだカメラキャリブレーション、より長い計画期間、そしてより直感的な目標インターフェースにおける課題があると警告しています。先行企業は、V-JEPA 2のコア能力を活用するドメイン固有のアプリケーションを構築しながら、これらの限界に対処する必要があります。

物理AIへの道のりにおけるマイルストーン

V-JEPA 2は大きな進歩を示していますが、研究者たちは残る限界を認識しています。このシステムはカメラの位置決めに感度があり、非常に長い計画期間に苦戦し、現在のところ言語による指示ではなく視覚的な目標を必要とします。

それでも、この研究は、人間がそうであるように、主に観察を通じて学習し、その知識を世界で行動するために応用するという、より汎用的な人工知能への実行可能な経路を示す説得力のある証拠を提供しています。このアプローチが、ルカンが予測した5年間の期間内に現在の言語モデルを実際に陳腐化させるかどうかはまだ不明ですが、V-JEPA 2は、言語だけでなく、物理世界そのものを理解する次世代AIシステムのための強力な青写真を提供しています。

免責事項：この分析は現在の研究開発に基づいたものであり、投資助言と見なされるべきではありません。技術の過去の性能は将来の結果を保証するものではありません。読者は個別のガイダンスについてファイナンシャルアドバイザーに相談してください。