答え公開済み14 ソース
PhiZeroはなぜ、動画生成の前に物理ダイナミクスを推論するのか
PhiZeroは、未来の映像を直接予測するのではなく、まず世界の状態変化を離散的な「物理言語」トークンで推論し、その後に動画として描画する。 Transition level Q Formerと有限スカラー量子化（FSQ）によって、テクスチャーや照明よりも物体の移動・相互作用に焦点を当てた表現を学習する。
公開者GPT-5.6 Luna で編集GPT Image 1.5 で画像を生成
研究の答え
重要なポイント
- PhiZeroは、未来の映像を直接予測するのではなく、まず世界の状態変化を離散的な「物理言語」トークンで推論し、その後に動画として描画する。
- Transition level Q Formerと有限スカラー量子化（FSQ）によって、テクスチャーや照明よりも物体の移動・相互作用に焦点を当てた表現を学習する。
- 約4秒・33フレームの動画を256トークンで表現し、Wan2.2 VAEの4万4,800個の連続ビジュアルトークンに対して、系列長を約175分の1に削減したと報告している。
AI プロンプト
openai.comCreate a landscape editorial hero image for this Studio Global article: What is CASIA’s PhiZero world model, published in the August 21, 2026 arXiv paper “PhiZero: A World Model Built Around Physical Language,” h. Article summary: PhiZero is CASIA’s proposed “reason-then-render” world model: it first represents predicted world-state changes as a short sequence of learned discrete “physical-language” tokens, then renders those changes into video. I. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
中国科学院自動化研究所（CASIA）の研究者が提案したPhiZeroは、動画の未来をピクセル空間でそのまま予測するのではなく、まず「世界がどう変化するか」を学習済みの離散表現で推論し、その結果を動画に描き戻す世界モデルだ。中核にあるのは、研究チームが**物理言語（physical language）**と呼ぶ、世界の状態遷移を表す短いトークン列である。1
2
この設計が向き合うのは、従来のピクセル領域の動画予測が抱える問題だ。モデルは質感や照明、背景をそれらしく再現できても、物体の動きや相互作用といった基礎的なダイナミクスを誤ることがある。PhiZeroは、動きの予測を独立した中心課題にし、見た目の再現は別のデコーダーに担わせることで、この絡み合いを抑えようとする。1
2
発想は「先に推論、後で描画」
PhiZeroの処理は、**reason-then-render（先に推論し、後で描画する）**という流れに整理できる。
- 最初のフレームと、動作や意図を示す入力を受け取る。
- 未来の状態変化を表す離散トークンの短い系列を予測する。
- そのトークン列と最初のフレームを動画デコーダーに渡す。
- 予測された世界の変化を、未来のフレームとしてレンダリングする。
ここでいう「言語」は、人間が読める単語や文章ではない。実世界の動画から自己教師あり学習によって得られた記号の集合であり、各トークンが「重力」や「右に曲がる」といった明確な概念に対応するとは限らない。重要なのは、フレームの見た目そのものではなく、シーンの状態がどのように移り変わるかを表す中間表現として機能する点だ。1
2
3
要約すると、役割分担は次のようになる。
最初のフレーム＝シーンの見た目、物理言語トークン＝シーンの変化、デコーダー＝その変化の映像化。
トークナイザーはどうやって見た目と変化を分けるのか
1. Transition-level Q-Former
PhiZeroのトークナイザーは、動画の各フレームを独立した画像として扱うのではなく、時間方向の変化を処理する。クエリーベースのボトルネックであるTransition-level Q-Formerが、状態の移り変わりを示す特徴を抽出し、画面上の細かな情報をすべて持ち運ぶのではなく、遷移レベルの情報へ圧縮する。1
一般的な動画コーデックが、フレームを再構成するためにテクスチャーや背景の情報を保持するのに対し、PhiZeroのトークナイザーは、状態と状態の間で「何が変わったか」に重点を置く。静止した背景や表面の質感を何度も符号化することを避け、動きや相互作用に表現容量を振り向ける狙いだ。
2. 有限スカラー量子化で離散化
Q-Formerが抽出した連続的な遷移特徴は、**有限スカラー量子化（FSQ）**に通される。これにより特徴は離散的なインデックスへ変換され、PhiZeroが扱う「物理言語」の有限語彙になる。1
2
離散化されたことで、言語モデルに近い仕組みの推論器が、トークン列を自己回帰的に予測できる。つまり、膨大なビジュアル潜在トークンを一つずつ生成する代わりに、短い状態遷移の軌跡を組み立てることになる。
ただし、「言語」という名称は、モデルが人間向けの説明文を生成するという意味ではない。学習されたトークンの並びを使って未来の変化を推論できる、という役割を指している。
3. 最初のフレームを外観の基準にする拡散デコーダー
動画デコーダーは、未来の変化を示す物理言語列だけでなく、最初のフレームも受け取る。最初のフレームは、テクスチャー、照明、物体の識別情報、背景といった高周波の外観情報を含む「見た目の事前情報」として使われる。一方、物理言語列は、その後に何が変わるべきかを伝える。2
この分業により、遷移トークンは限られた容量を、すべての質感や光の状態を記録するために使わずに済む。デコーダーは最初のフレームから外観の文脈を引き継ぎ、物理言語の条件に沿って未来の映像を生成する。
報告された学習手順では、デコーダーが未来フレームの一部情報に頼れないよう、純粋なノイズから始めるウォームアップも用いられる。これにより、最初のフレームと物理言語の情報を使って未来を再構成することを学ばせる。2
4秒の動画を256トークンに
論文が示す比較では、約4秒、33フレームの動画を、約25,000種類の語彙からなる256個の離散的な物理言語トークンで表現する。対して、Wan2.2 VAEの表現は44,800個の連続ビジュアルトークンを使う。トークン系列の長さは、この例で約175分の1になり、再構成品質も競争力のある水準を保ったと報告されている。1
もっとも、「175倍削減」という数字は、トークン数または系列長の比較だ。保存に必要なビット数、メモリー使用量、遅延、ハードウェアコスト、エンドツーエンドの推論速度が、そのまま175分の1になることを意味しない。PhiZeroは依然として大規模な拡散またはフローマッチング型のデコーダーを必要とし、動画を描画するための最初の画像も必要になる。1
2
したがって、この数字が強く示しているのは、動画表現を推論しやすい抽象表現へ圧縮する効果であり、処理全体の速度向上を保証するものではない。
世界モデルやロボットにとって何が変わるのか
ロボティクスと身体性AI
ロボットが、動作を実行する前に、その結果を詳細な映像ではなく短い状態遷移の系列として予測できれば、行動条件付きのシミュレーションや計画を組み立てやすくなる可能性がある。見た目のスタイルが変わっても、同じ動きや相互作用のパターンを扱える点も期待される。プロジェクトは、インタラクティブな世界モデル、行動条件付きシミュレーション、モーション転移などへの応用を掲げている。2
4
ただし、これはロボットが完全な物理法則を獲得したという意味ではない。より限定された中間目標、つまり「行動によって世界がどう変わりそうか」を先に表現し、視覚的な細部は後から生成するという設計上の利点である。
自動運転
自動運転でも、予測すべき中心は道路のテクスチャーやカメラ画像の照明ではなく、車両や歩行者が時間とともにどう動くかという状態遷移になり得る。減速、進行、譲り合い、相互作用などを先に扱うという考え方は、PhiZeroのアーキテクチャーと親和性がある。
ただし、これは設計から導かれる可能性であって、PhiZeroが安全性を要求される自動運転システムで実用化できることを示す証拠ではない。見た目に一貫した動画でも、軌道や物体間の関係を誤っている可能性がある。また、学習されたトークンは、検証可能な物理状態変数として解釈できるとは限らない。
動画コーデックから「軌跡のプログラム」へ
従来の視覚表現は、フレームを再構成するための圧縮動画ストリームに近い。PhiZeroが目指すのは、むしろ世界の軌跡を記述する短いプログラムに近い中間表現だ。視覚言語モデルに由来する推論器が物理言語列を予測し、デコーダーがその軌跡をピクセルへ戻す。1
2
4
この発想が広く機能すれば、システムはすべての視覚的細部を再生成する前に、状態遷移のパターンを比較・操作・転用できるようになるかもしれない。もっとも、どのタスクでも有効かどうかは、学習された表現が必要なダイナミクスをどれだけ保持できるかに左右される。
PhiZeroが示したこと、まだ示していないこと
PhiZeroの貢献は、世界モデルの中でダイナミクスを明示的なボトルネックにする具体的な構成を示したことだ。動画から離散的な遷移表現を学び、初期シーンと意図からその表現を予測し、最後に映像として描画する。256トークンと44,800トークンの比較は、この抽象化がなぜ魅力的なのかを端的に示している。1
一方で、これだけで物理理解が解決したわけではない。学習された語彙は有用な規則性を捉えていても、物理量や状態変数に明確に対応するとは限らない。映像が自然に見えることも、予測された世界の状態が正しいことの完全な証明にはならない。
現時点で最も慎重な結論は、PhiZeroが「シーンが何であるか」と「シーンがどう変化するか」を切り分ける、世界モデル研究の有望なアーキテクチャーを提示した、というものだ。
Studio Global AI
研究を続けてください
このページにはソースに裏付けされた回答が含まれており、Studio Global 内で続行できます。
人々も尋ねます
「PhiZeroはなぜ、動画生成の前に物理ダイナミクスを推論するのか」の短い答えは何ですか?
PhiZeroは、未来の映像を直接予測するのではなく、まず世界の状態変化を離散的な「物理言語」トークンで推論し、その後に動画として描画する。
最初に検証する重要なポイントは何ですか?
PhiZeroは、未来の映像を直接予測するのではなく、まず世界の状態変化を離散的な「物理言語」トークンで推論し、その後に動画として描画する。 Transition level Q Formerと有限スカラー量子化（FSQ）によって、テクスチャーや照明よりも物体の移動・相互作用に焦点を当てた表現を学習する。
次の実践では何をすればいいでしょうか？
約4秒・33フレームの動画を256トークンで表現し、Wan2.2 VAEの4万4,800個の連続ビジュアルトークンに対して、系列長を約175分の1に削減したと報告している。