ロボットやビデオゲームのキャラクターに「脳」を構築しようとしていると想像してください。この脳は、世界を理解し、次に何が起きるかを予測し、何をすべきかを決定する必要があります。研究の世界では、これをワールドモデルと呼びます。

しかし、ここに問題があります。研究者たちは、異なるアーキテクチャや名称を用いて、これらの脳をさまざまな方法で構築しており、しばしばどれが「最良」かについて議論しています。この論文は、私たちが誤った問いを投げかけていると主張します。「どのアーキテクチャが最も強力か？」と問うのではなく、**「この脳の内部記憶（メモリ）が実際に行っている仕事は何なのか？」**と問うべきなのです。

著者のキム・ウォン氏は、ワールドモデルの良さは、その内部状態（つまり「記憶」）が設計された特定の役割をいかに果たすかにかかっていると提案します。ハンマーを使って電球をねじ込むようなことはしないのと同様に、物理的な物体を制御するために設計された記憶システムを、予測の能力によって評価すべきではありません。

以下に、この論文を簡単な概念とアナロジーに分解して示します。

1. 核心となるアイデア：「十分性」フィルター

この論文は、十分性制約と呼ばれる概念を導入します。ワールドモデルの内部状態をバックパックだと考えてみてください。

• バックパックにすべてを持ち運ぶことはできません。重すぎます。
• 何を残し、何を捨てるかを決めなければなりません。
• ルール： 行う予定の特定のタスクに必要なものだけを保持します。

もしあなたのタスクが天気を予測することなら、バックパックには雲や風のデータが必要ですが、芝生の色は捨てて構いません。
もしあなたのタスクが車を運転することなら、バックパックには道路の幾何学形状や信号機が必要ですが、雲の正確な質感を知る必要はありません。

この論文はこう述べています：「良い」ワールドモデルとは、最も多くの情報を記憶するものではありません。特定の役割に必要なものだけを正確に記憶し、残りを無視するモデルです。

2. 脳の 6 つの「役割」

この論文は、現在のすべての研究を、ワールドモデルの記憶が果たしうる 6 つの明確な「役割」に整理しています。これらは単なる異なるソフトウェアではなく、異なる目的です。

1. 水晶玉（予測的埋め込み）：

   • 役割： 次の動画フレームがどのように見えるかを推測すること。
   • アナロジー： 雲のパターンだけを気にする気象予報士のように。彼らは道路上を走る車には関心を持たず、明日の空が正しいかどうかだけに関心を持ちます。
   • 保持するもの： 視覚的なパターン、構造。
   • 捨てるもの： 世界を変化させる方法に関する詳細。

2. 戦略家（再帰的信念状態）：

   • 役割： エージェントが報酬（ゲームの勝利など）を得るための意思決定を支援すること。
   • アナロジー： 将棋の棋士のように。彼らは駒の色を記憶するのではなく、詰みにつながる手を記憶します。勝利に役立たないものはすべて捨てます。
   • 保持するもの： 価値、報酬、行動の結果。
   • 捨てるもの： 美しい画像や無関係なテクスチャ。

3. 図書館司書（物体/因果構造）：

   • 役割： 世界が相互作用する個別の事物（物体）で構成されていることを理解すること。
   • アナロジー： ぼんやりとしたピクセルのスープを見るのではなく、このモデルは「カップ」、「テーブル」、「手」を見ます。カップを押せばテーブルは動かないことを知っています。
   • 保持するもの： 実体とそれらの関係。
   • 捨てるもの： 世界が一つの大規模で無関係な塊であるという考え方。

4. 翻訳者（潜在行動インターフェース）：

   • 役割： 指示がなく動画しかない場合、「何が起きたのか」を推測すること。
   • アナロジー： 人間が料理をしている動画を見て、彼らが何をしているのか分からないと想像してください。このモデルは、「あ、彼らはきっとスプーンを拾ったに違いない」と推測しようとします。目にする変化を説明するために「幽霊のような行動」を考案します。
   • 保持するもの： 移動と変化の概念。
   • 捨てるもの： ロボットが押す必要がある具体的な物理的なボタン。

5. 地図作成者（基盤化計画インターフェース）：

   • 役割： 目標への経路を検索できる精神的な地図を作成すること。
   • アナロジー： 道路を示すだけでなく、目的地までの距離を計算する GPS のように。世界を整理して、「台所にはどう行けばいいか？」と尋ねられるようにします。
   • 保持するもの： 距離、実現可能性、目標。
   • 捨てるもの： 単に現実の世界に「似ている」こと。

6. 記録係（記憶基盤）：

   • 役割： 今すぐ見えないものを記憶すること。
   • アナロジー： 部屋に入って明かりが消えても、まだ椅子があることを知っています。このモデルは、カメラが見えない場合でも（マットの下に隠した鍵のように）、世界の「隠れた」部分を記憶します。
   • 保持するもの： 歴史と隠れた事実。
   • 捨てるもの： 「見えるものだけがすべてである」という考え方。

3. 3 つの大きなルール（命題）

この論文は、これらの役割を簡単に組み合わせることができない理由を説明する 3 つのルールを提示します。

• ルール 1：信念のルール。 起こったすべてのことを完璧に記憶していれば、予測、制御、計画のすべてを行うことができます。しかし、完璧な記憶は不可能であるため、何を保持するかを選ばなければなりません。
• ルール 2：予測と制御のギャップ。 これは極めて重要です。 未来を予測する能力に優れたモデル（ルール 1）でも、それを制御する能力は劣る可能性があります。
  • アナロジー： 気象予報士は嵐を完璧に予測できますが、それが生き延びるための避難所を建設する方法を知っていることを意味しません。避難所を建設するには、異なる種類の「記憶」が必要です。
• ルール 3：受動と能動のギャップ。 動画をただ見る（受動的）だけでは、あなたが介入した場合に何が起こるかを教えてくれません。
  • アナロジー： テーブルから落ちるガラスの動画を見ることは、それが割れることを教えます。しかし、あなたがそれをキャッチした場合に何が起こるかは教えてくれません。それを知るには、「もし私がこれを行ったらどうなるか？」（反事実）を理解するモデルが必要です。

4. 評価マトリクス（スコアカード）

「モデル X が最良である」と示す単一のリーダーボードの代わりに、この論文はスコアカードを提案します。
モデルは、それが雇われた特定の役割に基づいて評価されるべきです。

• 水晶玉として雇った場合、未来をどの程度よく予測できるかで評価します。
• 戦略家として雇った場合、ゲームをどの程度よく勝てるかで評価します。
• 図書館司書として雇った場合、物体をどの程度よく理解できるかで評価します。

この論文は、多くのモデルが失敗するのは、「水晶玉」としての性能で「戦略家」を評価したり、その逆を行ったりしているためであると示しています。

5. 結論：「適切な」適合

この論文は、シンプルかつ強力なアイデアで結論付けています。
実行可能なワールドモデルとは、最も多くの情報を保持するものではありません。
それは、目の前の特定のタスクのために、正しいものを捨てるモデルです。

もしあなたがサッカーをするロボットを構築しているなら、芝生の質感を完璧に記憶するモデルは必要ありません。ボールがどこにあり、どのくらいの速さで動いているかを記憶するモデルが必要です。もしあなたのモデルが芝生の質感を記憶していてもボールを忘れているなら、それは優れた「写真家」であっても、悪いサッカー選手です。

要約すると： 「最も賢い」脳を探さないでください。あなたが行う必要がある仕事に対して、適切な「バックパック」を持っている脳を探してください。