World Action Model(ワールドアクションモデル/WAM)とは・意味、仕組み・VLAとの違い・主なモデル

World Action Model(ワールドアクションモデル/WAM)とは?
World Action Model(ワールドアクションモデル/WAM)とは、周りの世界がこの先どう変わるかとロボットがとる動作を1つのモデルでまとめて予測するAIのモデルのこと。NVIDIA の用語の解説では、WAMは世界がどう変わりそうかと、その変化に働きかけるためにロボットがとれる動作の両方を学ぶロボット向けのモデルとされている。
世界モデルは環境がこの先どう変わるかを予測するモデルで、VLA(Vision-Language-Action)のモデルは見たものと言葉の指示から直接に動作を予測する。WAMは、先の状態の予測と動作の予測を1つのモデルの中で一緒に行う。
NVIDIA の説明では、WAMは動画を学習の中心に置く。動画は、物理の世界が時間とともにどう変わるかを密に記録したデータだからだという。WAMはインターネットの動画や人の目線で撮った動画などの大量の動画で学び、物理や動き、物体の相互作用についての知識をモデルの中に持つ。
World Action Model の仕組み
動画で事前に学んだモデルに動作の予測を加える
NVIDIA の研究者らが2026年2月に論文で発表したWAM「DreamZero」は、インターネット規模の動画で学習した動画生成のモデル(ノイズから少しずつ映像を作る拡散モデル)をもとにしている。DreamZero は言葉の指示と今の観測をもとに、先の映像のコマと動作を一緒に生成する。
論文の著者らは、動画生成のモデルをもとにすることでロボットが動作を学ぶ方法が変わると説明している。見た状態と動作の対をそのまま覚えるのではなく、予測した先の見え方に合わせて動作を決める形になるという。
また、画像生成のAIを開発する Black Forest Labs の「FLUX 3 Action」も、画像・動画・音声で事前に学習した FLUX 3 のモデルをもとにした。同社は映像と動作を一緒に予測する学習を加えたうえで、動かすロボットとその動作の形式に合わせて微調整する。
実行のときは完全な画像を生成せずに動作の命令を導く
NVIDIA は、WAMが先の見え方を表す圧縮した情報とロボットの動作を1つのモデルで同時に予測すると説明している。動作と一緒に先の見え方を予測するため、物理的にありえない動作を減らし、実行できる動作を選びやすくなるという。実行のときは文章の指示と最初の観測から意図した変化を圧縮した形で予測し、完全な画像を作らないままロボットへの命令を導く。
DreamZero は計算を速めて実時間の制御を可能にした
動画生成のモデルは、ロボットを動かしながら使うには計算が重い。DreamZero の論文の著者らは、映像と動作でノイズを除く手順を別々に設計するなどの工夫を重ねた。その結果、140億のパラメーターを持つ DreamZero は、1秒に約7回の頻度で動作のまとまりを出力できるようになった。
World Action Model と VLA・世界モデルとの違い
| モデルの種類 | 予測の対象 | NVIDIA が示す特徴 |
|---|---|---|
| VLA | 見たものと言葉の指示から、ロボットの動作を直接に予測する | 静止画と文章の組で事前に学ぶ。物を見分ける・指示に従うといった意味の面では学習していない場面にもよく対応するが、学習で見ていない新しい物理的な動きには対応しにくい |
| 世界モデル | 環境がこの先どう変わるか。理想的には、行動が先の状態にどう影響するかも表す | 予測や計画、制御に使える |
| World Action Model | 先の世界の状態と、そこへ向かうためのロボットの動作の両方 | 大量の動画での事前学習から、時間と空間の中での物理の知識を引き継ぐ |
NVIDIA は、WAMは特定の作業の手本を覚えるのではなくさまざまな動画から物理の動きを学ぶので、追加の学習なしで新しい作業や環境にも対応できるとしている。DreamZero の論文の著者らも、WAMを提案する理由として、最先端のVLAが新しい環境で見たことのない物理的な動きに対応しにくいことを挙げた。
World Action Model の由来と広まった経緯
World Action Model という呼び名は、NVIDIA の研究者らが2026年2月17日に公開した論文「World Action Models are Zero-shot Policies」で使われた。著者らは、事前に学習した動画生成のモデルをもとにした DreamZero の構造をWAMと呼び、動作と先の見え方の両方をそろえて予測する基盤モデルと位置づけた。
DreamZero より前の研究のうち、先の状態の予測を動作の予測に生かすものも、著者らはまとめてWAMと呼んでいる。「Video Action Model(VAM)」ではなくWAMの語を選んだのは、動画は世界を予測する対象の1つにすぎず、今後のWAMが触覚や力の感覚などのほかの予測と動作をそろえる可能性があるためだという。
Black Forest Labs は2026年9月の技術報告で、先のコマと動作を1つの生成のモデルで一緒に予測する方法は、それ以前にも GR-1・GR-2 などの研究が扱っていたと記した。そのうえで同社は、この方法に World Action Model の語を導入したのは DreamZero だとしている。
NVIDIA は論文の公開の翌月、2026年3月の開発者向けの会議 GTC で、DreamZero の研究をもとにWAMの構造を使う次の世代のロボットの基盤モデル「GR00T N2」を先行して披露した。同社は5月に提供を始めたフィジカルAI向けの基盤モデル「Cosmos 3」についても、使い方の1つに、ロボットに特定の作業を身につけさせるWAMの基盤を挙げている。
また、ロボットのAIや画像・動画の生成のAIを開発する会社も、自社のWAMを発表した。ロボットのAIを開発する Dyna Robotics は2026年8月、事前学習ではロボットのデータを使わず、人の目線で撮った動画で学習したWAM「Dyna-2」を発表した。
2026年9月には Black Forest Labs が FLUX 3 Action を、動画生成のAIを開発する Runway が「Praxis-1」を発表した。
Black Forest Labs は発表と同時に FLUX 3 Action の重みを公開し、Runway も11月11日に Praxis-1 の重みを公開した。どちらも、利用者が重みを入手して自分の機器で動かせるオープンウェイトのWAMだ。
World Action Model に関する主な出来事・ニュース
- 2026年2月17日 NVIDIA の研究者ら「World Action Models are Zero-shot Policies」を公開:Seonghyeon Ye 氏ら NVIDIA の研究者は、動画生成のモデルをもとにしたWAM「DreamZero」を提案する論文を arXiv(論文を公開するサイト)に投稿した。
- 2026年3月16日 NVIDIA、GTCで「GR00T N2」を先行して披露:NVIDIA は、DreamZero の研究をもとに World Action Model の構造を使う次の世代のロボットの基盤モデル「GR00T N2」を先行して披露した。
- 2026年9月23日 Black Forest Labs「FLUX 3 Action」を発表:Black Forest Labs は、FLUX 3 のモデルをもとにした70億のパラメーターのWAM「FLUX 3 Action」を、重みを公開する形で発表した。
- 2026年11月9日 NVIDIA、CoRLで「GR00T 2」を発表:NVIDIA は、ロボットの学習の国際会議 CoRL で、NVIDIA Cosmos をもとにしたオープンなWAM「GR00T 2」を発表した。
- 2026年11月11日 Runway「Praxis-1」の提供を開始:Runway は、9月に発表したWAM「Praxis-1」の重みを Apache 2.0 のライセンスで公開し、すべての利用者が使えるようにした。
World Action Model の主なモデルと提供状況
主なWAMのうち、重みを公開しているものには、Black Forest Labs の FLUX 3 Action と Runway の Praxis-1 がある。
| モデル | 提供元 | 提供の形 | 利用の条件 |
|---|---|---|---|
| FLUX 3 Action | Black Forest Labs | 70億のパラメーターのモデル。重みを Hugging Face で、コードと学習の手順を GitHub で公開している。DROID(Franka のロボットアーム)と SO-101 のロボットアームに合わせて調整したモデルもある | FLUX Kommunity License(原則として非商用の利用に限る) |
| Praxis-1 | Runway | 270億のパラメーターのモデル。重みと推論・微調整のコードを Hugging Face と GitHub で公開している。Runway のサービスの上で試すこともできる | Apache 2.0 のライセンス。商用の利用を含む |
※2026年11月時点。
なお、NVIDIA は11月9日に発表した GR00T 2 をオープンなWAMとしている。GR00T 2 は、WAMの構造で作ったロボットの基盤モデルだ。
World Action Model に関する事例
提携先が洗濯物の扱いや工場の自動化に GR00T 2 を使う
GR00T 2 はロボットと人の多様なデータで学習したモデルで、ロボットが手先の器用な操作を身につけられるようにする。
NVIDIA によると、提携先の Nexuni は洗濯物を扱うロボットで GR00T 2 を試し、Foxconn はサーバーの製造の工場の自動化に GR00T 2 を適用している。Siemens も、産業のさまざまな用途で GR00T 2 を評価している。
提携先が自社のロボットで Praxis-1 を動かす
Runway によると、提携先の Noble Machines・Standard Bots・Ultra などは、一般の提供の前に自社の機器で Praxis-1 を動かした。使った機器は、脚で歩く人型ロボット、6軸の産業用のロボットアーム、2本の腕を持つ倉庫のロボットだ。
World Action Model の課題と利用の条件
先の見え方の予測は計算が重い
WAMは実行のときに先の見え方を予測する計算が重く、変化の速い環境に応じにくいと NVIDIA は説明している。初期のWAMは、1回の推論に数秒かかっていたという。同社は対策として、拡散の手順を減らすことや非同期の推論、蒸留(大きなモデルの働きを小さなモデルに移す方法)などを挙げている。
Black Forest Labs も、動画と動作を一緒に予測するWAMは計算の費用が大きく、応答の遅さと機器の費用の面で負担が増すと指摘している。
奥行きの理解と形の違うロボットへの適用に課題が残る
NVIDIA は、1台のカメラで撮った2次元の動画での事前学習では、奥行きや空間の理解が不完全になることがあるとしている。そのため、予測が正しく見えても、ロボットが目標の位置を行き過ぎたり手前で止まったりすることがあるという。
さらに NVIDIA は、学習したロボットと形の違うロボットに合わせるには微調整が必要だとしている。形が大きく違うロボットの間でそのまま技能を移すことも、同社は未解決の課題に挙げている。
重みの利用の条件はモデルによって異なる
Praxis-1 は Apache 2.0 のライセンスで商用にも使える一方、FLUX 3 Action は Black Forest Labs の独自の FLUX Kommunity License で提供されている。
FLUX Kommunity License は、モデルの利用を原則として非商用の目的に限っている。関連会社を含む年間の売上高が500万ドル未満の利用者は、違法な出力を防ぐ措置などの条件を守ればモデルの出力を商用に使えるが、それ以外の商用の利用には同社から別のライセンスを受ける必要がある。
ロボットの開発でWAMを試したり導入を検討したりするときは、重みの利用の条件と、自分のロボットに合わせる追加の学習の手間を確かめることが大切だ。
World Action Model に関連する用語
- 世界モデル:現実や仮想の世界の動きをデータから学び、先に起きることや行動の結果を予測・模擬するAIのモデル。
- VLA:視覚の情報と言葉の指示を受け取り、ロボットを動かす命令を出力するAIのモデル。
- オープンウェイト:学習を終えたAIモデルの重みが公開され、利用者が入手して自分の機器やサーバーで動かせる状態。
World Action Model に関する出典
NVIDIA「What Is a World Action Model? | NVIDIA Glossary」
S. Ye ほか「World Action Models are Zero-shot Policies」(2026年2月17日、arXiv)
NVIDIA「What Is a World Model? | NVIDIA Glossary」
Black Forest Labs「FLUX 3 Action: A 7B World Action Model for Robot Control」(2026年9月23日)
NVIDIA「NVIDIA and Global Robotics Leaders Take Physical AI to the Real World」(2026年3月16日)
NVIDIA「NVIDIA Launches Cosmos 3, the Open Frontier Foundation Model for Physical AI」(2026年5月31日)
Dyna Robotics「Dyna-2: A 1-Million-Hour Scaling Law for World-Action Models」(2026年8月)
Runway「Introducing Praxis-1: Runway’s Open-Weight World Action Model」(2026年9月)
NVIDIA「Practice Makes Precise: At CoRL, NVIDIA and Partners Reveal How Robots Rehearse Delicate Work in Simulation」(2026年11月9日)
Runway「Praxis-1 Is Now Available」(2026年11月11日)
Black Forest Labs「FLUX 3 Action – Black Forest Labs」
Black Forest Labs「FLUX Kommunity License v.1.0」




