NVIDIAが物理法則に強いAI発表

動画の世界モデルは、説得力のあるクリップを生成できますが、それでも物理法則を破ることがあります。バターは絵の具のように広がり、ボールは壁を通り抜けます。NVIDIA、MIT、オックスフォード大学のチームは、この問題の解決策は、追加の視覚的、潜在的、または数値的な信号からではなく、言語そのものから来ると主張しています。彼らのフレームワークであるPhysis-Langは、物理言語を共有可能で最適化可能な表現として扱います。同じテキストがデータキュレーション、モデルトレーニング、推論を推進します。2026年9月29日付けの公開Physics-IQ Verifiedリーダーボードのスナップショットでは、Cosmos3-Super上のPhysis-Langが48.2 ± 1.4で1位にランクされています。Cosmos3-Nanoバージョンは43.3 ± 1.5で2位にランクされています。動画の世界モデルは、説得力のあるクリップを作成できますが、それでも物理法則を間違えることがあります。私たちの研究者は、動画のキャプションに物理的な推論を追加するオープンな自己進化型フレームワークであるPhysis-Langをリリースしました。キャプションは、シーンがなぜ、どのように展開するかを説明します。私たちはそれらを使ってfine-tuneします… pic.twitter.com/agIHuIBN2 — NVIDIA AI (@NVIDIAAI) 2026年9月29日

Physis-Langは何を解決するのか？従来のキャプションは「何が起こるか」を記述しますが、「なぜ」は記述しません。「温度が上がるとバターが溶ける」という記述は、熱伝達や重力について何も語っていません。Physis-Langは、各基本キャプションにphysics_reasoningフィールドを追加します。これは、エンティティ、原因、相互作用、支配原理、時間的進化、および効果を詳細に記述します。このパイプラインは、シーン固有のphysics_negative_promptも作成します。このテキストは、石が水に浮くなど、ありそうもない結果を記述します。これは推論時にネガティブコンディショニングとして機能します。

自己進化型キャプションループはどのように機能するのか？このループはキャプショナーを固定し、その指示のみを進化させます。GPT-5.5キャプショナーは、273の人間が検証したアサーションを持つ固定された20本の動画開発セットのキャプションを作成します。Gemini-3.1-Proは物理を意識した批評家として機能します。進化エージェントはスコアとクレームレベルの失敗を読み取り、プロンプトを書き直します。批評家は2つの側面をスコアリングします：Precision：キャプションは原子的なクレームに分割され、各クレーム