NVIDIAは2026年8月4日、ロボット操作のための新たな政策基盤「世界行動モデル（WAM）」に関する技術解説を公開した。従来の視覚言語行動モデル（VLA）が言語的意味理解に依存していたのに対し、WAMは映像世界モデルを基盤とすることで物理的ダイナミクスを学習し、未学習のタスクや環境へのゼロショット転送を可能にする。この技術転換は、ロボット導入におけるデータ収集コストと環境依存性という実用化の主要な障壁を引き下げる可能性がある。

WAMが解決するVLAの物理的限界

現在主流のVLAは、事前学習済みの視覚言語モデル（VLM）に行動出力モジュールを追加した構造を持つ。VLMは画像に対するテキスト生成に最適化されており、場面の意味理解には優れる一方で、物体の移動や変形といった物理的な状態遷移を予測する能力はモデル設計上備わっていない。このため、照明条件や物体形状の変化に対して政策が破綻しやすい。WAMは映像世界モデルを基盤とすることで、このダイナミクスモデルの欠落を根本的に解消する。基盤モデル自体が物理世界の時間発展を学習しているため、追加学習ではその汎化能力を特定タスクへ適応させるだけで済み、未経験のロボットや環境へのゼロショット転送が実現される。

NVIDIA Cosmos 3が実現する多層展開

WAMの実用化を支えるのが、NVIDIAが公開した基盤モデル「Cosmos 3」である。Mixture-of-Transformersアーキテクチャを採用し、数億規模の画像・映像・行動サンプルを含むマルチモーダルデータセットで学習されたこのモデルは、ワークステーションでの高スループット推論からNVIDIA Jetsonハードウェアによるリアルタイムのオンデバイス推論まで、複数の展開層を単一のモデル系統でカバーする。これにより、クラウド依存度の高い大規模モデルとは異なり、製造現場や物流拠点など通信遅延や機密性が課題となる環境でも、WAMに基づく政策をローカル実行できる。タスク固有の追加データ量も従来手法より大幅に少なく、多様なロボット形態への適応コストが低減される。

ロボット導入モデルを変えるデータ経済

産業用ロボットの導入において、最大のコスト要因の一つはタスクごとの実証データ収集と環境変化への再調整である。WAMはこの構造を変える。映像世界モデルが物理的汎化を担うため、現場で必要なのは特定タスクへの微調整用データに限定され、照明変化や物体配置の差異は基盤モデル側で吸収される。これはロボット導入の経済性を大きく左右する。特に多品種少量生産や物流のピッキング作業など、環境変動が常態化している領域では、政策の再学習サイクルを短縮できることが事業継続性に直結する。日本市場では、熟練作業者の暗黙知に依存してきた食品加工や部品組立工程において、物理的汎化能力を持つ政策の適用が省人化投資の回収期間に影響を与えると考えられる。

AI産業構造への波及と今後の論点

WAMの登場は、ロボット向けAIの競争軸が大規模言語モデル（LLM）から物理世界モデルへと拡大する兆候を示している。NVIDIAが映像世界モデルをオープン化したことは、同社のGPUハードウェアとJetsonエッジデバイスを中心としたエコシステム強化の意図を持つと同時に、世界中の研究機関やスタートアップが独自のWAMベース政策を構築する土台を提供する。産業構造の観点では、モデル基盤を握るプラットフォーム企業、ロボット本体を提供するハードウェアメーカー、現場に政策を導入するシステムインテグレーターの各層で競争条件が変化しうる。今後の主要な論点は、特定産業領域でのVLAからの置き換え実績と、オープンモデルを活用した垂直特化型WAMの出現速度である。