世界モデルに感情を足すと予測は当たるのか｜LEWM論文を読む

ボールを手から離せば落ちる。 この種の予測は、物理法則を学んだAIが得意とするところだ。 ところが、会議で反対意見を口にしたら次に何が起きるか、という予測になると、物理法則はほとんど役に立たない。 上司が苛立つか面白がるかで、その後の展開はまるで変わる。 人の行動や決定は感情で動くからだ。

2025年12月末にarXivで公開された論文「Large Emotional World Model」(Changhao Songら5名、arXiv:2512.24149。2026年7月に改訂版v2)は、この穴を突いた。 人間の感情を世界モデルの状態変数に格上げし、「まず未来の感情を予測し、その感情を条件にして未来の世界状態を予測する」という二段構えのモデルLEWMを提案している。 報告された数字は、自作データセットEWH上で最大45.72%の精度改善、外部の世界状態予測ベンチマークWorldNetで3.94%、会話感情認識ベンチマークMELDでF1スコア(正解をどれだけ漏れなく正確に当てたかを表す指標)が17.47%、知識試験MMLUの特定カテゴリで6.10%の改善。 自作ベンチで大きく、外部ベンチでは一桁、という落差がこの成績表の見どころである。 この記事では、論文の中身を確かめたうえで、この落差の読み方を関連研究と突き合わせて整理する。 なお、この論文はプレプリント(査読前の公開版)であり、査読誌や国際会議への採録は確認できていない。

世界モデルとは何か

世界モデルとは、「今こう動いたら、次に何が起きるか」をAIが内部で予測するシミュレータを指す。 この考え方を看板として掲げたのが、David HaとJürgen Schmidhuberが2018年のNeurIPS(機械学習分野の主要国際会議)で発表した研究である。 二人はレースゲームの画面を小さな表現に圧縮し、その先の展開を予測するモデルを組み合わせて、AIが実際のゲーム環境ではなく自分の内部シミュレーション(いわば夢)の中で運転を練習できることを示した。 環境を頭の中で再現できれば、現実で試行錯誤するコストは大きく下がる。 以来、世界モデルは動画生成やロボット制御の文脈で繰り返し語られる枠組みになった。

ここまでの世界モデルが学んできたのは、突き詰めれば物理である。 ボールは落ち、水はこぼれ、ドアを押せば開く。 LEWMの著者らはここに異議を唱えた。 世界は物理法則と感情の力学の両方で動いており、物理だけを学んだ世界モデルは「物理世界は近似できても、人間の世界は近似できない」。 隣人が明日どう動くかは、重力からは導けない。

まず感情を予測し、それから世界を予測する

LEWMの設計は、未来の予測を結合した二つのステップに分解する。 第一段で、現在の状況から相手の未来の感情状態を予測する。 第二段で、その予測された感情を条件として、未来の世界状態を予測する。 「この報告をしたら次に何が起きるか」を当てるには、「この報告を聞いた相手がどう感じるか」を先に当てる必要がある、という直観をそのままモデルの構造にした形である。

学習には、感情つきの状態遷移を集めた新しいデータセットEWH (Emotion-Why-How)を構築した。 1件のデータは「事前状態、事前感情、行動、事後感情、事後状態」の5つ組で、全部で10,850件ある。 名前のWhyとHowは、なぜその行動が起きたのか、感情がどう未来の状態を作り変えるのか、という二つの推論を支えるという設計意図から来ている。 素材は二系統ある。 TikTokとDouyinから集めた、感情や行動の転機を含む一人称視点の動画2,258本。 そして、FriendsやThe Officeなど対人のやり取りが濃いテレビドラマ8作品、計1,583話(630時間超)の映像である。 v2本文によれば、240,221件の候補セグメントからこの1万件強に絞り込んだ。

注目したいのはラベルの付け方だ。 感情ラベルは人間が一件ずつ付けたのではなく、視覚言語モデルのQwen3.5-VLが動画の主人公を特定し、GPT-5がその感情を7分類(中立、喜び、悲しみなど)で推定するパイプラインで自動付与された。 品質管理として3名の評価者が検証し、評価者間の一致度(偶然の一致を補正したFleiss κという指標)は項目により0.82、0.76、0.65と報告されている。 この「感情ラベルはAIが外から推定したもの」という点には、後で戻ってくることになる。

成績表を読む: 4つのベンチマークと4つの数字

abstract(論文冒頭に付く数百字の要旨)に掲げられた数字を並べると次のようになる。

まず自作ベンチEWH。 v2本文の実験表では、たとえば動画から動画を予測する設定で、比較対象のWorldGPT(既存のマルチモーダル世界モデル)が精度0.3489なのに対し、LEWMは0.6732と、ほぼ2倍の水準に達している。 一方、外部ベンチWorldNetの同じ動画設定では、WorldGPTの0.5918に対しLEWMは0.6066で、差は1.5ポイントほどしかない。

見出しの「最大45.72%」という数字については、abstractを読んでも絶対値(パーセントポイントの差)か相対値(比率での改善)かが書かれていない。 本文の表の代表例(0.3489から0.6732)は、絶対差なら32.4ポイント、相対なら93%で、どちらの読みでも45.72%にぴったりとは一致しない。 比較対象にはWorldGPTのほかにNExT-GPTやCoDiといった汎用のマルチモーダル生成モデルも並んでいるため、「最大45.72%」は設定と比較相手を最も有利に選んだときの値と読むのが安全だろう。 いずれにせよ、自作ベンチ上の改善が大きいこと自体は表からも確認できる。

次に外部ベンチWorldNet。 これはWorldGPTを提案したGeらの研究(ACM Multimedia 2024採録)が整備した、実生活のさまざまな場面での状態遷移予測ベンチマークである。 著者らが作ったものではない分、ここでの成績が汎化(学習した分布の外でも通用するか)の試金石になる。 こちらでのLEWMの改善は小さい。 v2本文の表では、動画から動画の設定で1.5ポイント差、音声から音声で0.4086に対し0.4473(3.9ポイント差)、そして画像から画像では0.5640に対し0.5503と、わずかながらベースラインを下回る。 abstractの「3.94%」は最も良い設定の値であり、設定によっては改善がゼロを割っている。

残る二つは、世界モデルの外側のタスクである。 MELD(Poriaらが2019年のACLで発表した、会話中の感情認識データセット)ではF1スコアが17.47%改善した。 MMLU(Hendrycksらが2021年のICLRで発表した57科目の知識試験)では「特定カテゴリで」6.10%の改善が報告されている。 このMMLUの結果は少し不思議でもある。 感情という中間変数が、なぜ知識試験の成績を上げるのか。 論文の枠組みからは、人間の行動や動機が絡む科目で効く、という説明が想像できるが、「特定カテゴリで」という限定は、カテゴリを選べば上がる場所もある、という控えめな読み方も許してしまう。 57科目の平均でどうだったのかは、abstractからは分からない。

自作ベンチで大きく、外部ベンチで小さい構図

45.72%と3.94%。 この落差を「怪しい」と切り捨てるのも、「感情の効果が証明された」と持ち上げるのも、どちらも雑である。 新規手法の論文としては、むしろよくある構図だ。

第一に、EWHは著者らが自分で定義したタスクであり、LEWMはそのEWHで学習している。 学習した分布と評価する分布が一致していれば、精度が大きく出るのは半ば当然である。 著者ら自身もこの点を意識していて、WorldGPTを同じEWHでファインチューニング(追加のデータで学習し直すこと)しただけの対照モデル(LEWM*と表記)を用意し、データセットの恩恵と、感情を組み込んだモデリングの恩恵を切り分けようとしている。 この対照実験を置く設計は誠実であり、本文の表を開いた読者が真っ先に確かめるべきなのもこの行になる。

第二に、ベンチマーク上の改善幅は、手法の本質的な優位よりも調整と計算資源で説明できてしまうことが少なくない。 画像生成の分野では、Lucicらが2018年のNeurIPSで発表した大規模比較研究「Are GANs Created Equal?」が、当時乱立していた画像生成モデル(GAN)の改良手法を同じ条件で再評価し、十分なハイパーパラメータ(学習の細かい設定値)調整をすればほとんどのモデルが同水準に達することを示した。 報告されていた差の多くは、アルゴリズムの差ではなく調整の差だったわけである。 自作ベンチの大きな数字を見たら、この研究を思い出して一呼吸置くのがよい。

第三に、外部ベンチの中にも分布の近さが潜んでいる。 MELDはドラマFriendsの会話から作られたデータセットで、EWHの構築素材にもFriendsが含まれる。 F1が17.47%も伸びた背景に、感情モデリングの効果だけでなく「学習素材と評価素材が同じドラマ」という近さがどれだけ寄与しているかは、本文の記述だけでは判断しづらい。

一方で、感情が本当に予測の情報を持つことを示す手がかりも、論文の中にある。 未来の感情の正解をモデルに与えるOracle Future(未来の感情を先に教えてしまう条件)では、予測した感情を使う場合より、動画で9.22%、音声で10.31%さらに精度が上がると報告されている。 未来の感情を知っていれば未来の世界がより正確に予測できるのなら、感情はたしかに予測に効く変数だということになる。 同時にこの結果は、感情予測そのものがまだボトルネックであることも意味している。

等身大にまとめれば、こうなるだろう。 感情を状態変数に入れると、自作の分布では予測が大きく当たるようになった。 外部の分布でも改善は出るが小さく、設定によっては下回る。 汎化の証拠としてはまだ薄いが、逆張りして「感情など要らない」と言える材料もない。

そもそも感情ラベルは信用できるのか

数字の落差とは別に、心理学の側から見ると土台に別の問いが立つ。 EWHの感情ラベルは、モデルが動画を外から見て推定したものだった。 外から観察して他人の感情を当てる、という営み自体の信頼性はどうなのか。

Lisa Feldman Barrettらが2019年にPsychological Science in the Public Interest誌で発表した大規模レビューは、この前提を強く揺さぶった。 怒り、嫌悪、恐怖、幸福、悲しみ、驚きという6つの基本感情について証拠を精査した結果、特定の感情が特定の表情と確実に対応するという仮定は支持されず、同じ感情でも文脈や文化によって表出は大きく変わると結論している。 表情や振る舞いから感情を読み取るシステム全般への、心理学からの代表的な警告である。

EWHの素材の性質も、この問いを増幅する。 ドラマの感情は脚本と演技で誇張された感情であり、SNSの一人称動画は感情の転機があるものだけを選別して集めている。 現実の職場や家庭の、はっきり表に出ない感情の分布とは違うものを学んでいる可能性がある。

ただし、工学の立場ではこう割り切ることもできる。 ラベルが本人の主観的な真実と一致していなくても、予測精度を上げる中間変数として機能するなら実用上の価値はある。 Barrettらの警告が歯止めをかけるのは、その先にある「AIは人の本当の感情を読めている」という解釈のほうである。

「AIが感情を理解した」と書けない理由

では、LEWMのような研究をもって「AIが感情を理解した」と言えるのか。 この問いには、測り方によって答えが反転するという厄介な事情がある。

Elyosephらが2023年にFrontiers in Psychology誌で発表した研究では、感情への気づきの水準を測る心理検査LEASの20場面にChatGPTに答えさせたところ、一般人口の基準値を大きく上回った(Zスコア〈平均からどれだけ離れているかを表す値〉で2.84、再測定では4.26)。 一方、Sabourらが2024年のACLで発表したベンチマークEmoBenchは、感情の理解と応用を問う400問を人手で設計し、既存の大規模言語モデルと人間の平均との間になお大きな差があると報告した。 人間向けの既存検査ではAIが人間を上回り、AI向けに設計し直した検査では人間に届かない。 「感情を理解したか」という問いは、どの物差しを使うかで答えが変わる段階にある。

LEWMの主張は、実はこのどちらの陣営とも別の場所にある。 論文が示したのは「感情を予測の中間変数として入れると、次の状態の予測が当たりやすくなる」であって、AIが感情を主観的に体験するとか、人の内面を正しく言い当てるという話ではない。 「AIに感情が宿った」型の見出しでこの論文が紹介されていたら、それは論文の主張から離れている。

記録から真っ先に落ちるのは感情

最後に、この論文の主張を日常の側に折り返してみる。

会議のメモや議事録、日記に残るのは、たいてい「何が起きたか(状態)」と「何をしたか(行動)」である。 EWHの5つ組で言えば、事前感情と事後感情のスロットは、人間の記録では真っ先に空欄になる。 そしてLEWMが示唆するのは、まさにその感情を落とすと、次に何が起きるかの予測が外れやすくなる、ということだった。

これを記録の話に引き付けるなら、こう言えるかもしれない。 後から記録を読み返して「なぜあのときこう決めたのか」を再現したいとき、効いてくるのは決定事項の一覧よりも、「あのとき全員が疲れていて、早く終わらせたがっていた」というたった一行の温度感のほうかもしれない。 議事録の様式には感情の欄がない。 だからこそ、自分用のメモや日記には、そのときどう感じていたかを一行だけ足しておく価値がある。

AIボイスメモのメモリスは、録音を渡すと録音終了後にAIが処理し、数分で文字起こしと要約を返すアプリである(文字起こしエンジンの現状は「メモリス、文字起こしエンジンをGPT Transcribeに更新」で紹介している)。 声のトーンから感情を解析するような機能はない。 ただ、話したことはそのままテキストになるので、会議の帰り道に「今日の決定はこうで、正直こう感じた」と一言吹き込んでおけば、感情の一行が入った記録が手元に残る。 LEWMの結果を信じるなら、その一行は未来の自分にとって、意外に効く変数になる。

論文自体はプレプリントであり、外部ベンチでの3.94%が追試や査読を経てどう評価されるかはこれからだ。 「感情を無視した世界モデルは人間世界を予測できない」という主張の当否も、まだ開いたままである。 自分の記録に感情の一行を足すかどうかは、その決着を待たずに今日から始められる話である。