【geek-terminalニュース】Code-as-Worldの最新情報：動画をMuJoCo物理プログラムへ変える噂の世界表現

【事象の全貌と背景】
今回のネタは、MirroSのCode-as-WorldとしてMarkTechPostや複数の転載系メディアで紹介されている、かなりギーク好みの世界モデル構想です。ただし最初に線引きしておくと、現時点で提示された公式・大手メディア系の確認結果には、MirroS自身の正式発表、論文、実験設定、性能値を独立に裏付ける材料は見当たりません。したがってこれは「確定した新技術の実装報告」というより、記事群で語られている未検証の先行情報として扱うべき話題です。

そのうえで面白いのは、発想の重心が従来の動画理解とまったく違う点です。従来の動画モデルは、次のフレームを予測したり、シーンをキャプション化したり、潜在表現に圧縮したりしてきました。つまりAIは世界を「見る」「要約する」「それっぽく続きを描く」方向に進化してきた。しかしCode-as-Worldとして紹介されている考え方では、動画のピクセルはあくまで物理シーンの証拠であって、質量、接触、重力、摩擦、拘束条件そのものではない、という問題意識が中心に置かれています。

ここが刺さるポイントです。AIが動画を理解したと言っても、それが本当に物体の重さや衝突を理解しているのか、それとも見た目の統計をなぞっているだけなのかは曖昧でした。Code-as-Worldは、その曖昧さを「実行できる物理プログラムに落とす」という形で潰しにいく構想として紹介されています。世界モデルを眺めるためのブラックボックスから、再実行、検証、修正できる環境へ変える。ロボティクスにとっては、これは単なる動画生成の延長ではなく、現実観測からシミュレータを作る話になります。

【技術的ディープダイブ】
記事群の説明によれば、Code-as-Worldは実世界の動画をMuJoCoで実行可能な物理プログラムへ書き換えるエージェント的ループとして紹介されています。MuJoCoはロボティクスや強化学習でよく使われる物理シミュレータで、剛体、関節、接触、重力などを明示的なパラメータとして扱えます。つまり出力が単なるテキスト説明や未来フレームではなく、環境として走るコードになる点が肝です。

ここでいう「Code-as-World」は、名前の近いMetaのCode World Model、略称CWMとは別物として扱う必要があります。検索結果3では、MetaのCWMはコード生成とコード推論のためのモデルであり、MetaのPreparedness Reportでは公開前評価やフロンティアリスク評価について説明されています。一方、今回の記事群が語るCode-as-Worldは、実動画をMuJoCo物理プログラムへ変換するというロボティクス寄りの中間表現が中心です。Hugging Face上のcode-world-modelページにも、数学コード系モデル、7名のチームメンバー、最近更新された4件のモデルといった情報はあるものの、今回のMuJoCo変換ループを確認する資料ではありません。

技術的には、想定される処理は「動画から物体、床、接触、運動軌跡を推定し、MuJoCoのbody、joint、geom、mass、friction、gravityなどの構成へ変換し、シミュレーションを走らせ、元動画との差分を見てコードを書き換える」というループです。記事タイトルではagentic loopという表現が使われており、これは一発変換ではなく、観測、生成、実行、比較、修正を回す設計だと読めます。ただし、これは記事群から読み取れる構成の説明であり、公式論文のアルゴリズムとして確認されたものではありません。数値として確実に扱えるのは、原本記事が2026年8月29日付で示され、Exa関連の重複記事群が2026年8月30日表示で3件確認されていること、そしてReddit、Hacker News、lobste.rs、LessWrong由来の有意なコメント抽出が0件だったことです。

【コミュニティの生々しい熱量と議論】
ここは本来ならRedditやHNの反応がいちばん面白い場所です。「動画生成よりシミュレータ生成のほうがロボットには効く」「いやMuJoCoに落とせる時点で対象が単純すぎる」「接触推定が地獄」「質量同定を動画だけでやるのは無理筋」といった議論が起きてもおかしくありません。しかし、提示された検索結果2では、Code-as-World、MirroS、Executable World Representationsに対応する有意なReddit、Hacker News、lobste.rs、LessWrongの実コメントは見つかっていません。

したがって、この記事ではコミュニティの声を捏造して引用しません。現時点で言えるのは、少なくとも確認範囲では、熱狂的な実ユーザーの検証報告、罵倒、再現実験、GitHub issue文化圏での具体的ハックは観測されていない、ということです。これは地味に重要です。ロボティクス系の派手な主張は、デモ動画だけなら強く見えますが、実際の価値は「第三者が再現できるか」「MuJoCoコードが破綻せず動くか」「未知の実動画で接触や摩擦を推定できるか」「シミュレータ上で得た方策が現実へ戻るか」で決まります。コミュニティ検証がまだ見えないなら、盛り上がりよりも保留が妥当です。

ただし、ギーク的な燃料は十分あります。もし本当に動画から実行可能な世界表現を安定生成できるなら、次に起きる議論はほぼ確実に「これは世界モデルなのか、逆レンダリングなのか、物理パラメータ推定なのか、あるいはLLMエージェントによるシミュレータ自動デバッグなのか」という分類論争になります。さらに、生成されたMuJoCo XMLやPythonコードを人間が読めるなら、ブラックボックス動画モデルよりもデバッグ可能性が高い。ここに、現場のロボティクス屋が反応しそうな匂いがあります。

【今後の展望とエコシステムへの影響】
この話が本物として進展した場合、オワコンになりうるのは「見た目だけ整った動画予測を世界理解と呼ぶ」タイプのデモです。ロボットに必要なのは、美しい未来フレームではなく、行動を変えたときに世界がどう反応するかを試せる環境です。コップを押す、箱を落とす、関節を曲げる、床との摩擦を変える。こうした介入可能性がなければ、世界モデルはロボットの訓練環境として弱い。

Code-as-Worldとして紹介される方向性は、実世界動画を「再実行できる仮説」に変換するものです。もし動画からMuJoCo環境を自動生成し、ロボットがそこで試行錯誤し、現実との差分でまたコードを直す流れが作れるなら、データ収集、シミュレータ構築、方策学習の境界がかなり溶けます。研究室のデモ環境を人手で作るのではなく、観測した現実をシミュレーションの初期案にする。これはロボット基盤モデル、模倣学習、強化学習、デジタルツイン生成の交差点にあります。

一方で、現時点では過剰な断定は危険です。公式・大手メディアの直接裏付けは確認されておらず、コミュニティによる再現報告も提示されていません。特に、動画だけから質量、摩擦、接触、隠れた形状、スケールを一意に推定するのは原理的に難しい問題です。だからこそ、仮にこのアプローチが有望だとしても、最初に効くのは限定された物体、制御されたシーン、短い相互作用、既知カテゴリのロボット環境でしょう。

それでも、このネタの価値は「世界モデルの出力形式」を問い直している点にあります。AIが世界を理解するとは、次のピクセルを当てることなのか。それとも、操作でき、壊れ、修正でき、もう一度走らせられる物理プログラムを持つことなのか。Code-as-Worldは、少なくとも記事群の説明上は後者へ賭ける構想です。真偽のほどはまだ定かではありませんが、ロボティクスAIの次の熱源として追跡する価値はあります。