はじめに
「Next Token」から「Next State」へ。
生成AIが、本物と見分けがつかないほどの画像を描き、流暢な脚本を書き、さらには一貫性のある動画クリップを生成できるようになった今、次の疑問が浮上する。なぜ、AI時代にふさわしいインタラクティブなエンターテインメント製品がまだ登場していないのだろうか？
技術的な要素はすべて整っているように見えるが、それらはまるで地面に散らばった部品のようで、まだ実際に動く機械として組み立てられてはいない。業界全体は、いわば「盲人が象を触る」ような段階にあり、誰もが象の一部を触ってはいるものの、全体像を真正面から見極めた者はまだ誰もいない。
最近、405ゲーム局が招いた2人のゲストは、たまたまこの大きな象の両側に立っていた。
ダイ・ボー氏。「Feeling AI」（雲梧智能）の創業者であり、香港大学助教授。2014年に博士課程に入学して以来、生成AI分野に没頭しており、香港中文大学のMMLabで林達華教授に師事した。Google Scholarでの被引用回数は1万回を超え、過去3年連続で世界のトップ2％に入るトップ科学者に選出されている。彼の最もよく知られている業績は「AnimateDiff」である。このオープンソースの動画生成モデルは、一時期Stable Diffusionコミュニティ全体を席巻した。2024年、彼は複数の大手企業からのオファーを断り、Feeling AIを設立することを選択した。その目標は、ワールドモデルのインフラを構築し、仮想世界に「生きた人間のような臨場感」を持たせることである。設立から半年以内に、同社は2回の資金調達ラウンドで1億元を超える資金を調達した。
胡修涵、「捏Ta（見見概念）」の創業者。北京大学で知能科学と経済学のダブル学位を取得し、コロンビア大学で修士号を取得。Metaではショート動画の技術アーキテクチャ責任者を務め、アリババではデータ技術事業部で最年少のP8エキスパートとなり、特賛ではゼロから売上1億元を超える製品ラインを構築した。2022年末、Stable Diffusionのリリースからわずか4ヶ月で、彼は「コンテンツのレゴが変わった」と判断し、直ちに退職して起業した。「捏Ta」の登録ユーザー数は現在1200万人を超え、1日あたりの平均利用時間は110分を超えている。2026年3月には、1000万ドルを超えるPre-A+ラウンドの資金調達を完了したばかりである。
二人の縁は、ビジネス上の関係よりもさらにさかのぼる。彼らはコンピュータコンテスト時代からの旧友であり、二人を再び結びつけたのは「AnimateDiff」だった――ダイ・ボーがこのモデルを作成すると、真っ先にシュウ・ハンに見せたところ、シュウ・ハンは「ずっとこんなものが欲しかったんだ」と反応した。その後、一人はワールドモデルの基盤アーキテクチャに没頭し、もう一人はアプリケーション層でAIネイティブな創作コミュニティを構築した。その道筋は異なるものの、目指す最終目標は同じだった。
この対話は、いくつかの核心的な問題を軸に展開された。コンテンツの基本単位がピクセルから概念へと進化する中で、創作と消費の境界線はどのように再定義されるのか？なぜAIネイティブなアプリケーションは「能動的」かつ「リアルタイム」でなければならないのか、なぜ事前に生成して再配信する形ではいけないのか？ワールドモデルをどのように理解すべきか――戴勃はこれを「アイデア層」「動的層」「静的層」という3層のアーキテクチャに分解したが、修涵は、それが内発的な原動力を備えた持続可能なシステムになり得るかどうかという点に、より注目している。また、彼らは見過ごされがちな区別、すなわち「creation（専門的な創作）」と「recreation（大衆による再創造／娯楽的な創作）」についても深く議論した。真に大衆化したUGC（ユーザー生成コンテンツ）の行為は、本質的に後者に近い――プロセスの質には高い要求を課す一方で、結果の質にはそれほどこだわらず、構築そのものの「フロー」を楽しむものである。
2人の創業者には共通の信念があります。それは、最大のチャンスは誰かが「オアシス」を作り出すことではなく、オアシスを作るための「ブロック」を提供することにある、というものです。ユーザーがコードではなくコンセプトを用いて世界を構築し、ルールを定義し、キャラクターを創造できるようになれば、インタラクティブ・エンターテインメントの形態は、もはや今日の想像力の範囲に制限されることはなく、技術力がいつ追いつくかという点にのみ制限されるようになるでしょう。
以下は、405ゲーム局と戴勃、胡修涵との対談です。「ゲーム茶館」は許可を得てテキスト版をまとめましたが、内容には一部編集が加えられています。
01
コンテンツの構成要素が再定義されつつある
「かつてコンテンツの構成要素はピクセルでしたが、未来の構成要素は概念です。概念とプロンプトが直接結びついたとき、それが構成要素のレベルにおける最も根本的な変化となります。」
シャオニン：お二人とも技術系のバックグラウンドをお持ちですが、なぜ今回の起業ではエンターテインメントやコンテンツ寄りの分野を選んだのですか？
修涵：私は戴勃と一緒にコンピュータコンテストに参加したことがあり、卒業後は一貫してプロダクトプロジェクトに携わってきました。Facebookのようなプロダクト文化を重視する企業では、ABテストや成長実験の設計を数多く手掛け、技術革新がもたらす影響を、エンジニアリングやプロダクト化の観点から考えることに徐々に慣れていきました。AI技術が世代ごとに進化するたびに、私が真っ先に考えるのは、より具体的な現実のシナリオにおける問題をどう解決するかということです。
ダイ・ボー：私はシンプルです。子供の頃、母が「小霸王」という学習機を買ってくれたのをきっかけに、インタラクティブなコンテンツに非常に興味を持つようになりました。博士課程で研究テーマを選ぶ際、「自分で開発した技術を使ってインタラクティブなコンテンツを構築できれば、自分にとって最も満足のいく状態になるだろう」と考えました。技術が徐々に成熟していくのを見て、自分で実際にやってみようと思ったのです。なぜなら、やってみなければ答えは見つからないからです。
シャオニン：当時、起業を決意したきっかけとなったのは、どのような兆候だったのでしょうか？
修涵：私が一貫して注目しているのは、コンテンツの「原子性」、つまりそれをどのように分解し、再構築するかという点です。また、モデルがクリエイターの協業方法にどのような影響を与えるかについても考察しています。もちろん、それは基礎原理といった技術的な観点からではなく、人々の協業にどのような影響を与えるか、クリエイターがコンテンツを作成するプロセスにどのような影響を与えるかという、エンジニアリング的な観点からです。
2022年7月にStable Diffusionを目にした時、大規模言語モデルが登場するのを待つまでもなく、コンテンツを構成する「レゴ」がすでに変化していることをはっきりと認識しました。かつては1フレームの画像や1つのレイヤー、さらにはピクセル単位までが「レゴ」でしたが、未来の「レゴ」は概念――ある種の視覚的な概念――になる可能性が高いのです。これが、ビルディングブロックレベルにおける核心的な変遷です。私たちはこの過程で数多くの探求を行い、LoRAをはじめとする様々なビルディングブロックが絶えず進化していく段階も経験してきました。
最近、「Nano Banana」や「Seedance 2.0」といった革新的な取り組みは、「コンセプトだけで世界を構築できる」という状態に徐々に近づきつつあると感じています。これは段階的に理解が深まっていくプロセスです。
シャオニン：前回も話しましたが、最初から最後まで変わっていないものもあります。例えば、あなたが当初この件を「GitHub + IP」と定義していたことなどです。
修涵：コンテンツの「原子」の変化について考えてみると、歴史的にはおおむね3～4世代に分けられます。第1世代は純粋なピクセルを中核としていました。第2世代ではテンプレート、レイヤー、3Dモデルが登場しました。第3世代はFigmaに代表されるコンポーネント化であり、第4世代は現在、概念を中核とするアトミック構造です。どの世代も偉大な製品を生み出してきました。第1・第2世代はPhotoshop、第3世代はFigma、そして第4世代はまさに今、進行中と言えるでしょう。
深く掘り下げていくほど、これらのブロックはますますコードのようになってくる。そして、コードが本来持つ特性により、GitHubのようなコラボレーションが可能になる。かつての共創的な活動といえば、ウィキペディアのようなテキストレベルのコラボレーションに限られていたが、それが視覚的なレベルへと移行したことで、中核となるモデルの変化が生まれる機会が生まれた。その中で最も多く再利用されているブロックが、IPの要素である。
ダイ・ボー：私は2014年に博士課程に進学して以来、生成AIに注目し、その発展の軌跡を見守ってきました。2022年にStable Diffusionの完成度を目の当たりにし、この技術が転換点に達したと感じました。
2023年、私たちは「AnimateDiff」という動画生成プロジェクトに取り組みました。完成後、真っ先に修涵に見せたところ、彼は「ずっとこういうものが欲しかったんだ」と即座に言ってくれました。オープンソースとして公開してから、2～3ヶ月ほどでStable Diffusionコミュニティ全体がこれに魅了されました。Redditには今でも専用のスレッドがあり、さらにはSeedanceが登場した現在でも、AnimateDiffを使って様々なコンテンツを作成している人たちがいます。
このことから、私もこうした成熟した技術を習得できるようになったのではないかという気づきを得ました。当初、私たちは協力して進めることを志向していました――私が技術を担当し、オープンソース化や共同開発を行うという形です。しかし、23年下半期に試してみたところ、全体的にスピードが足りないと感じました。AnimateDiffは5月に完成し、7月に修涵に見せたが、実際に話題になったのは10月で、すでに3ヶ月が経過していた。自分で手を動かさなければ、進捗は遅くなるものだ。
その分岐点に立ったとき、あなたは自問し始めるでしょう。「これは運なのか、偶然なのか、それとも必然なのか？」。最善の方法は、ニーズに直接向き合うことです。そうして初めて、技術をどの方向へ加速・反復させていくべきかが分かるのです。そこで私たちは自ら現場に飛び込み、AIのインフラを整備することに決めました。私たちは、こうしたインフラからよりネイティブなアプリケーションが生まれると信じており、そのためには、その過程でユーザーと共に考え方を進化させていく必要があります。
02
AIネイティブアプリの特徴：
能動的、リアルタイム、生成と同時に消費
「もし完全に事前生成してから配信するというモデルであれば、それがTikTokに勝てるかどうか、私にはあまり自信がありません。ですから、私は『生成しながら消費する』という方式を大いに支持しています。」
シャオニン：皆さんは「新しいもの」を作っているとおっしゃっていますが、具体的に言えば、体験の観点から、皆さんが目指す「その先」とはどのようなものなのでしょうか？
ダイ・ボー：具体的な形については言えませんが、それが備えるべき特徴については述べることができます。生成AIの最大の特徴は、その不確実性――制御可能な範囲内での不確実性――にあります。「AI」という言葉が1956年に誕生した際、すでにそれが「creativity（創造性）」を備えるべきであると定義されていました。つまり、「educated guess（根拠に基づいた推測）」ができるかどうか、ということです。制御（control）があり、知識（educated）がある一方で、不確実性も存在するのです。
この不確実性により、AIネイティブなアプリケーションは、推論の過程で必ず機能しなければならない。オフラインでコンテンツを生成し、それを消費するという形ではなく、リアルタイムの対話の中で、モデルが人間と連携して推論を行い、コンテンツを生成するものでなければならない。
2つ目の特徴は、受動的から能動的へと変化したことです。ユーザーが操作するのを待つのではなく、アプリ側から能動的にフィードバックや刺激を与えてくれます。したがって、この新しいアプリの最大の特徴は、「能動的」であることと「無限のリアルタイム性」の2つです。
修涵：ビジネスや需要の観点からも、同様の結論が導き出されました。ユーザーがコミュニティで他人のコンテンツを見ることは、どちらかといえば広告を見るようなものであり、ユーザーが真に消費する瞬間は、自分自身がコンテンツを生成したその瞬間なのです。
将来を見据えると、長期的な究極の形は、ある意味では人類の共通の幻想――仮想空間、あるいは『ウエストワールド』のような体験――であると言えるだろう。しかし、そこには従来のコンテンツではカバーしづらい側面も存在するため、IPの役割はさらに重要になる。コンテンツは毎回変動するため、認識を助けるための不変の要素が必要となる。システム全体が常に変化し続けていれば、実質的に使い物にならないからだ。カバーする「ロングテール」の特性はさらに強まり、個人の特性もより際立つようになる。汎用的な高品質コンテンツはすでに十分に解決されているため、次の課題は「汎用的ではない高品質」をいかに生み出すかということだ。需給関係により、経済的利益の分配もこの方向へとシフトし、汎用的な高品質コンテンツの価値は低下していくだろう。
すでにこの傾向が見て取れる――多くのプラットフォームで、AIが生成した美しい女性のダンス動画は、依然としてトラフィック価値はあるものの、商品販売につなげるのは非常に困難になっている。これこそが、価値の上昇と下落が進行している過程である。
シャオニン：皆さんは「IP」という言葉を繰り返し言及されています。AI時代において、IPをどのように理解すべきでしょうか？
修涵：AI時代のIPは、私たちが現在理解しているような商業的な意味でのIPとは異なるかもしれない。知的財産権という概念自体は印刷業の誕生とともに生まれ、本質的には印刷技術から派生した制度である。AIは、「単一のコンテンツを制作するには人間の労働が必要である」という基本的な前提を、ある程度まで完全に覆してしまった。
私が本質として信じているのは、IPとはある種のコンテンツに対する共通認識であるということです。それがキャラクターに対する共通認識であれ、ある物語の世界観に対する共通認識であれ、皆がそのものに対して共通の認識を持っています。時にはミームとして、時にはある種のネタとして現れます。これらは本質的に、人々が繰り返し使用する「リピーター」のようなものであり、長期的に見れば、ある意味ではすべてIPであると言えます。
03
「創造」と「再創造」、
UGCの真のロジックとアプリケーション層における機会
「『creation』と『recreation』の違いを明確に区別する必要があります。『Recreation』――娯楽――は、非常に幅広いUGC活動であり、その過程の質には高い水準が求められる一方で、結果の質にはそれほど高い水準は求められません。」
シャオニン：私たちの世代は、PGCコンテンツによって非常に手厚くサポートされています。では、本当にそれほど多くのUGCへのニーズがあるのでしょうか？もしコンテンツの消費が本質的にユーザー自身の参加や生成プロセスに依存するのなら、それは人に対する要求を過度に高めていることにならないでしょうか？
ダイ・ボー：修涵の話を戻すと、真の消費プロセスは創作の過程で起こり、生み出されるコンテンツはむしろ予告編のようなものだ。この空間は依然として存在している。なぜなら、誰にでも表現したいという欲求があるからだ。TikTokはカメラを通じて生活の瞬間を記録することで、UGCの手段を提供している。
2つ目の問題ですが、「創造性」には2つの側面があります。それは「動機があるか」と「能力があるか」です。生成AIは能力を提供してくれます。では、なぜ私は「応用は能動的であるべきだ」と強調するのでしょうか？それは、動機という問題を解決するためです。インスピレーションは湧くものの、創作のプロセスは容易ではありません。例えば、多くの作家が「創作は実は苦痛だ」と口にするように。対話型の創作モデルなら、小さなインスピレーションから始め、その熱意を徐々に維持していくことができます。生成AIこそが、まさにこのパラドックスに答えを提示してくれるのです。
修涵：別の角度から補足します。このポッドキャストのリスナーは、おそらくゲームという視点から物事を捉えている方が多いでしょう。ゲーム業界全体がPGC主導であることは否定しません。しかし、広義のエンターテインメントとしての遊び体験という観点から見れば、UGCは至る所に存在しています。
サービス型体験の特徴は、クリエイターが視聴者のために心を込めてデザインを行う必要があり、要求水準が高いため、必然的にごく少数のグループに限定されてしまう点です。しかし、多くのUGCは本質的に自己満足であり、社交性を帯びており、その本質は自己表現にあります。TikTokのフィルター遊びから、オフラインでのセーター編み、ビーズ細工、レゴ組み立てに至るまで、まずはその「フロー」の状態を楽しむことが先立ち、その後、素晴らしい作品を作り上げて披露できると想像する。自慢は派生的なものだが、こうした想像の余地があることが重要なのである。
写真撮影を始める人で、自分の撮った写真がうまく撮れないことを望む人はいないだろう。しかし、機材を購入して趣味で楽しんでいる人たちのうち、そのすべてを公開する人はほとんどいないかもしれないが、それでもそれは非常に魅力的な娯楽の一つとなっている。
レクリエーション――初期段階では純粋な表現を主目的としない行動――は、プロセスの質に高い要求を課す一方で、結果の質にはそれほどこだわらない。少数の仲間が絶えず応援してくれれば、それで十分幸せだ。これは「ロングテール効果」のコンテンツ価値に合致している。また、コンテンツに「絶対的なUGC」や「絶対的なPGC」というものは存在しない。TikTokのテンプレートを使って何かを作り上げた場合、そのテンプレートはおそらくPGCのものだが、最終的なコンテンツはあなたの表現とテンプレートが共に構成したものである――どちらの貢献が大きいかは、時にははっきり区別がつかないこともある。AIは実際には、汎用的な高品質なベースラインを保証してくれるのだ。
これを踏まえると、どのような娯楽であっても、長期的に見て4つの重要な要素があります。第一に、キャラクター――自分自身を代表する存在、つまり自分の視点（POV）。第二に、環境と世界。第三に、ルール――そこから派生する遊び方のルール。第四に、インタラクションの方法です。
皆は今、安定したプラットフォームのシミュレーションを行うために、不変のインタラクション手法を見つけようとしていますが、この点についてVibe Codingは大きな挑戦を突きつけています。変化しにくいのは世界とルールです。キャラクターは最初に作りやすいですが、使い捨てにされる可能性も高いです。一方、環境やルールは比較的持続しやすく、一連のダイナミクスシステムを構築することができます。
これらを使って「クリエイティブ・ハーネス」を作ることができる――どうすればAIを、飼いならせる荒馬に変えることができるだろうか？ 檻に閉じ込められることなく、驚きを与えつつも、あなたに手綱で引き止められ、ある方向へと駆け抜け、皆に楽しみをもたらすのだ。
シャオニン：もし視覚的な一貫性の問題が解決されたとしたら、何が書き換えられるのでしょうか？
ダイ・ボー：鍵となるのはリアルタイム推論能力です。長時間にわたる推論の安定性を基盤とし、単一の推論にかかる遅延をリアルタイムレベルまで短縮できれば、もはや単なるツールを使っているのではなく、完全な世界モデルの中でエージェントと相互作用することになります。ある意味では、映画『レディ・プレイヤー1』に登場する「オアシス」のようなものです。
シャオニン：アプリケーション層における最大のチャンスはどこにあるのでしょうか？『レディ・プレイヤー1』のオアシスも、誰かが作り出したものですよね。
ダイ・ボー：最も重要なのは、誰かがオアシスを作り上げたことではなく、オアシスを作るための「ブロック」を提供したことです。最終的なオアシスは一つひとつの「惑星」で構成されており、それぞれの惑星はユーザー自身が作り上げたものです。ブロックというツールがあるからこそ、ユーザーはさまざまな世界観やルールを構築できるのです。修涵が言ったように、楽しさは構築するプロセスそのものにある。構築が完了した後――いや、完了していなくても――無数の人々が参加し、共に作り上げていくことができる。出発点は、誰かが空間とブロックを提供し、あなたがそれを組み立てられるようにしてくれたことにある。
修涵：一点付け加えさせてください。なぜ長期的に見てこのニーズが存在するのでしょうか？人が環境に対して抱く感覚や体験は、本質的に、自分の脳の中に世界に対する理解を構築するプロセスでもあるのです。実際に経験したことのないものを、真に理解することはできません。つまり、本質的には「多様な人生」を提供しているのです。
人間のニーズとは、要するに寿命を延ばし、体験できる時間を増やし、単位時間あたりの体験量を増やすことに他なりません。より多くの人生体験を提供するインフラを構築すること自体が、最大のチャンスなのです。こうした体験は、他人がすべて作り上げて提供してくれるようなものではありません。それはある程度、誤った前提に基づいた主張です。
ダイ・ボー：現実世界において、人間がしばしば縛られているのは、「選択を迫られ、そのうちのたった一つの道しか選べない」という点です。世界モデルは、まさにそのような可能性を生み出すべきものです。その本質はゲームと同じことです。「遊」とはあちこち歩き回ることであり、「戯」とはあちこちに触れてインタラクションを行うことです。これまでのゲームの一部は、技術力の制約によって現在の形になった部分もありますが、それは人間の想像力の限界ではなく、技術力の限界に過ぎません。この制約は解き放たれるべきです。
修涵：少し逆の立場から議論させてください。「ゲームは制約のある芸術である」――伝統的な有限ゲームの観点からすれば、これは非常に妥当な主張であり、私がゲーム業界を特に尊重する核心的な理由でもあります。「ユーザーが直接ゲームを作れる」とはめったに言いません。なぜなら、私は狭義のゲームという定義を非常に尊重しているからです。それは一種の体験設計であり――人が一生に一度しか経験しないかもしれない結婚式のように――現在の規範や要件が形成されているのは実に精巧なものであり、ただ思いつきで体験を提供すればいいというものではないのです。
しかし、体験の要素は分解し、エンジニアリング化することが可能です。例えば、現在の多くのオープンワールドゲームは「フランケンシュタインのようなもの」だと言われますが、そこには多くのゲームプレイ要素が含まれており、映画鑑賞のような体験さえも無理やり組み込もうとする傾向さえあります。これは、環境や世界観を原動力とし、そこに多種多様なゲームプレイ要素を組み込んでいくというトレンドの一例です。
しかし、AIの能力を最大限に引き出すという観点からは、専門的な体験から細分化していくのではなく、基礎から段階的に構築していくべきです。なぜなら、専門的な体験から細分化していくと、AIの能力発揮が制限されてしまうからです。私はよく「ゲームの視点から見ると、アセットが軽すぎるとどうしても敬意が持てない」と言っています。この視点があると、ゲームからUGCへと展開する際、どうしても何とも言えない違和感が生じてしまうのです。
そこで私たちが考えているのは、AI本来の視点に立ち、AIにとって構築しやすい小さなモジュールとはどのようなものか、ということです。構築が難しい部分は、まずは人間に任せるべきです。UGCの真の解決策の多くは、より本質的な、小さなものから徐々に発展していくという論理から生まれているのです。
04
世界のモデル、
「盲人が象を触る」から三層アーキテクチャまで
「世界のモデルには、生き生きとした感覚があるべきだ。生き生きとした感覚とは、それが動くということだ。」
シャオニン：リアルタイム性、推論能力、制御可能な創造性を求める場合、現時点でその実現までのギャップはどこにあるのでしょうか？
修涵：要素の実現はすでに整っていますが、全体としてうまく展開されておらず、ユーザーに優れた体験を提供できていません。だからといって、今すぐキャラクターの作成や、AI向けのワールド構築、将来プレイ可能なルールの構築を始められないというわけではありません。例えば、酒場系の製品は、ある程度、ゲームプレイのルール構築が主となります。私たちは、キャラクターから世界という視点から、環境や視覚的な共通認識の要素に重点を置くかもしれません。ただ、モデルのリアルタイム性や持続性といった問題でボトルネックが生じたり、コストが高すぎたりする場合、構築されたルールが最終的にもたらす体験の変革には限界があります。
ダイ・ボー：現在の状況は、私にとって「すぐそこにあるようで、同時に遠くにある」ような感覚です。要素はすべて揃っていますが、それはまるで「水浸し」のような状態――あらゆる方向を網羅しているため、要素の組み合わせを始めることができるということです。修涵が言う「世界観やルールの定着」ですが、こうした定着は技術の進化によって一からやり直されることはありません。
しかし、技術面では「深さ」「幅」「次元」の3つの側面でまだ不十分である。「深さ」――例えば酒場のシーンでは、ストーリーの複雑さや展開の長さが長くなると、問題が生じ始める。広さ――様々なジャンルにおいて、得意なものと不得意なものという区別が常に存在する。次元――テキスト形式や言語を主軸としたものは要素がより充実しているが、より視覚的で立体的な世界モデルの方面は依然として不足している。
総じて言えば、この「ゼロではない」という状態を組み合わせていくことは可能ですが、本当に最終局面へと進むのであれば、少なくとも技術的な観点からは、落ち着いて技術的な美学について熟考し、その後、比較的速いペースで着実に進めていく必要があります。
シャオニン：皆さんは「世界モデル」という概念をどのように理解していますか？
ダイ・ボー：現在、世界モデルについて語る人は多いが、それを表現するのに最もふさわしい成語は「盲人が象を触る」だ。人によって、その応用場面や背景が異なるため、象の異なる部分を触っているのだ。
私自身の理解は単純です。それはメタバースのようなゲームであり、現実世界にある要素をすべて備えているべきもので、それを3つの層に分けます。
第1層：論理／思考層――各動的実体の思考：「なぜ私はこれらの活動を行うのか？」
第2層：実行層――アイデアが浮かんだ後、それをどのように実行に移すか。
第3層：静的／表現層――動的なアクションをある環境に読み込んで表現する。その環境が、従来のゲームエンジンで構築された3D環境であっても、AIによって構築された3D環境――例えば李飛飛教授の「World Lab」――であっても、あるいはGoogleの「Genie 3」に代表される動画系の環境であっても構わない。
状況によっては、人によって3つの層すべてを完璧に作り上げる必要がない場合もあります。しかし、真の世界モデルとは、現実と一対一で対応できるかどうかであり、それは「生きている」ものであり、動的なエンティティはそれぞれ独自の考えや計画を持っています。
修涵：少なくとも、持続的で、独自の内発的な原動力を備えたシステムであってほしい。現在の問題は、一つのキャラクターが複数のシーンに移動する際に、その間に断絶が生じていること、あるいはキャラクターが能動的ではなく、ユーザーが操作しなければ動かないことです。一方、現実世界やオフラインでの体験では、目的を達成するために世界環境そのものが大きな役割を果たしています。持続性と能動性の問題が解決できれば、これまで質の高いコンテンツについて抱いていた多くの仮定は、実際には修正可能になるでしょう。
シャオニン：視覚モデルの学習においては、言語モデルとは大きく異なる課題に直面しているのでしょうか？
ダイ・ボー：言語モデルのパラダイムは「次のトークンの予測」であり、世界モデルが重視するのは「次の状態の予測」です。実のところ、言語モデルでも言語ドメイン内で世界モデルを実現することは可能です――つまり、文字を用いて世界の状態を維持するのです。これこそが、コードの能力が重要である理由です。コードは、モデルの思考プロセスや論理的正確性を検証するための、不変で安定し、一貫性のある手段を提供してくれるからです。もし純粋に自然言語での記述に留まれば、「本当に理解していないのか、それとも説明が不十分なのか」というジレンマに陥ってしまうでしょう。
視覚的なコンテンツには一貫性も必要ですが、それは論理的な一貫性ではなく、物理的な直感に合致する一貫性です。強調しておきたいのは、実用的な観点から言えば、私たちが求めているのは「物理的な一貫性」ではなく、「物理的な直感に合致する一貫性」だということです。人間は、視覚的なコンテンツの背後にある物理法則が一貫しているかどうかを計算しようとはしません。違和感さえなければ、それは物理的な直感に合致していると感じるのです。
シャオニン：インタラクティブ・エンターテインメントの分野において、ビジュアル面での課題はどこにあるのでしょうか？
ダイ・ボー：従来の方法は、ゲームエンジンを用いて世界の内容を構築するものです。ゲームエンジンが物理法則を組み込む方法は比較的「ハードコア」で、伝統的なシミュレーション学のように、実際に数式を組み込んで計算を行います。一方、ニューラルネットワークには入力と出力だけを指定すればよく、入力から出力に至るまでの過程は完全に自ら学習するものであり、いかなる法則や数式による指針もなく、非常に「ソフト」なアプローチです。しかし、これに伴う問題として、ネットワークが近道をしてしまうことがあり、それが導き出した法則が、自分が求めている法則と一致しているかどうかを判断することができません。
したがって、今解決すべき課題は、両者の長所をどのように融合させるかということです。「ソフト」な柔軟性と「ハード」な保証の両方を兼ね備えること。そうして初めて、長期にわたるビジュアルコンテンツの一貫性を実現できるのです。
視覚コンテンツの構造という観点から言えば、モデルは自分が何を表現しているのかを理解しているべきです。「このピクセルは現在何色で、次の瞬間にはどのように連続的に変化すべきか」というのではなく、「このピクセルは人の手に属しており、次の瞬間には手全体が変化し、それがピクセルに投影される際にはどのように変化すべきか」を理解している必要があります。このように、現実の構造により即した認識を持つことで、幻覚の問題を根本的に解決することができる。幻覚は本質的に、モデルが自身が生成したピクセルが何を意味しているのかを理解していないことに起因しているからだ。
シャオニン：最近オープンソース化したモデルは、記憶と計画に重点を置いているようですが、なぜですか？
ダイ・ボー：私たちは3つの層――アイデア層、動的層、静的層――を同時に進化させています。中でも動的層においては、動力学的な世界モデルを構築しており、ちょうどモデルアーキテクチャの革新を完了したところです。例えるなら――Transformerアーキテクチャがすでに確立されており、あとはGPT-1からGPT-2、そしてGPT-3へと進化していく過程のようなものです。
3つの層は同時に進化しており、各層にはそれぞれ独自の技術的成熟度と進展ペースがあります。アイデア層は、エージェント関連技術の発展が速く、成熟度も高いため、進展ペースがやや速くなっています。ダイナミック層は、私たちにとって非常に重要であると同時に、現在皆が見落としている部分でもあります。これは「エンボディド・インテリジェンス」の潮流に埋もれてしまっていますが、インタラクティブ・エンターテインメントにとっても同様に重要な要素です。
シャオニン：「動力学的世界モデル」とはどういう意味ですか？
ダイ・ボー：動的状態は世界の状態の一部として、物理法則に従う必要があります。人間が現実から導き出した動的な物理法則は、総称して「動力学」と呼ばれます。これには、人間の運動学、衣服の動力学、流体力学、空気力学などが含まれます。私たちが取り組んでいるのは、この動力学の物理的先験的知識をTransformerアーキテクチャに組み込み、次の状態の予測を極めて安定させることです。
シャオニン：なぜダイナミックレイヤーはインタラクティブなエンターテインメントの場面において特に重要なのでしょうか？
ダイ・ボー：静的な環境では、インタラクションなどあり得ない。動的な空間や動的な媒体がなければ、能動性やインタラクションなどあり得ない。静的なものには一方的に関与することしかできず、フィードバックはない。動的なものだけがフィードバックを与えてくれる。そのフィードバックの中で初めて新たな可能性が生まれ、より壮大な体験やコンテンツが絶えず育まれていくのだ。
平たく言えば、世界モデルには「生きているような感覚」があるべきだ。つまり、動いているということだ。じっとしていると、なんだか不気味だからだ。
シャオニン：動画は本来、動くものですよね。わざわざその「動き」を強調して、何を言いたいんですか？
ダイ・ボー：確かに動画は動いているが、ピクセル上の連続性が、その背後にある法則が一致していることを意味するわけではない――だからこそ、誤差の累積や錯覚が生じるのだ。より多くのデータを用いてモデルに統一された物理法則を自ら学習させるか、あるいは人間が現実世界で蓄積した物理法則を先験的な情報としてモデルに組み込むか。どちらの方法も有効だ。
また、動画生成とは、静的な環境の状態と動的な状態を1つのモデルにまとめてモデリングすることです。私はこれらを分離すべきだと考えます。直感的な例を挙げると、私たちが部屋の中に座っていて、私が手を振った場合、合理的な観点から言えば、人に関連する状態のみが更新され、環境はそれに合わせて更新されるべきではありません。まるでゲームでキャラクターが一歩前進しただけで、環境全体が再生成されてしまうようなもので、これは不合理です。
05
過大評価と過小評価、
起業家は技術サイクルをどのように乗り越えるべきか
「ペースがゆっくりな時は、実は会社はなかなか倒産しないものだが、ペースが速い時は会社は簡単に倒産してしまう。多くの人は、『ペースが速い時こそチャンスが訪れる』という錯覚を抱いている。」
シャオニン：あることが、単に技術的に見栄えが良いだけなのか、それとも本当に新しいものを生み出せるものなのか、どうやって見分けているのですか？
ダイ・ボー：私たちは、客観的な定性的な原理に基づいて技術を分析します――用語は一旦脇に置き、その技術がどのような点でブレークスルーを果たしたのかを突き止めるのです。
何が過大評価されやすいか？一つはイテレーションのスピード、もう一つは人間の適応能力だ。人は、自分が経験したことのないことを想像するのは難しいものです。こうした技術に携わる私たちにも限界があります――AnimateDiffが完成したとしても、最終的にそれを使って素晴らしいコンテンツを作り出せるのは、必ずしも私たち自身とは限りません。だからこそ、私は常に自制を保ち、世界モデル固有のアプリケーションが一体何であるかを定義しようとはあまり考えていません。
修涵：技術的な視点からは、アプリケーションの実用化スピードを過大評価し、ユーザーの意識を変えるためのコストを過小評価しがちです。ここ数年で最も犯されやすい過ちは、最終的な成果を過度に追求することだ。基盤となる前提条件が存在しない場合、それがまさに、かつて「純粋なプロダクトマネージャーの視点でAI製品を開発する」ことが困難だった根本的な原因である――その結果、ユーザー体験が持続せず、新鮮さが薄れると終わりを迎えるか、あるいは単発的な要素では十分な驚きを与えられないかのどちらかになってしまう。この二つの要素は常に相反している。
シャオニン：AIの基盤技術の発展ペースは常に変化しています――23年の上半期は急速に進み、24年は比較的停滞気味でしたが、ここ半年は再び特に急速に進んでいます。あなたはどちらの時期が好きですか？
修涵：それぞれに課題があります。核心となる問題は、ペースが緩やかな時には会社が何を蓄積しているかを考え、ペースが速い時には、その蓄積をどのようにして急速な変化と即座に結びつけるかを理解しておくことです。そうしてこそ、ペースが速い時でも慌てずに済みます。
もう一つのパラドックスは、ペースが遅いときは実は会社が倒産しにくいのに、ペースが速いときは倒産しやすいということだ。多くの人は、ペースが速いときこそチャンスが訪れるという錯覚を抱いている。
シャオニン：画期的な新技術に直面したとき、皆さんの第一の反応は何ですか？
ダイ・ボー：真っ先に起源をたどる。それはどこから派生したのか、何が違うのか、なぜこれほど話題になったのか。私の視野の範囲内では、天から降ってきたような新技術という感覚はほとんどありません。重要なのは2つの点です。第一に、ノイズを排除して変化の本質を理解すること。第二に、反省すること――なぜこの変化を起こしたのは自分ではないのか？これを継続してこそ、リーダーになれるのです。
修涵：私たちの最初の反応は、すぐに実験して、そのレベルがどの程度なのかを確認することでした。現在、論文における「チェリーピック」があまりにも多すぎるからです。その判断を乗り越えた後、注目するのは、それがユーザーのメインフローの体験を変えるかどうかという点です。多くの技術は「錦上添花」に過ぎず、メインフローに与える影響はそれほど大きくありません。重要な基準の一つは、ユーザーが再び戻ってきて、さらにトークンを消費しようとするかどうかです。もしユーザーのコアループに大きな向上や変化をもたらすのであれば、それは絶対に逃してはならない変化です。
シャオニン：最近、みんなよく話しているみたいだけど、一番よく話題に上がるのは何？
ダイ・ボー：一つは、技術の進歩がまだ遅すぎるということだ。
特にビジュアルコンテンツの分野です。動画生成モデルの進展は順調ですが、重要な側面においては依然として遅すぎます――それはインタラクティブ・エンターテインメントの方向性に向けて完全に推進されているわけではなく、他の牽引力があるからです。2つ目は、「どの技術が単なるブームで、どの技術が真に価値あるものか」を考察することです。技術がまだ「盲人が象を触るような」段階にある以上、私たちは応用シーンにおいて共通のビジョンを共有していることを強く望んでいる。
シャオニン：このような環境下でアプリ分野のスタートアップを立ち上げる際、創業者にとって最も重要な能力は何でしょうか？
修涵：私自身の視点から言えば、私たちは粘り強さを武器に仕事に取り組んでいると思います。どんな方法でも段階的な成果は出せるものだと常々思っています。サーフィンをする人もいれば、登山をする人もいます。より重要なのは、自分自身を明確に認識し、自分自身やチームを理解し、自分に合わないことを無理にやろうとしないことです。期待値を高く設定しすぎると、チームは最大の強みを発揮できず、他者を超える成果を上げることは難しくなります。
ダイ・ボー：エゴを脇に置き、技術の進化を客観的に捉え、第一原理に基づいて最終的なアーキテクチャと要素を導き出し、チームの強みを踏まえて、勾配降下が最も速い方向を選んで前進する。とりわけ、技術から生じるエゴには注意しなければならない。
シャオニン：今後2～3年で、皆さんが最も達成したいことは何ですか？
修涵：私たちは「共同で世界を築く」という業務体系を徐々に構築しており、人とエージェントが協力して参加しています。今後2～3年で最も重要な課題は、質的に真に十分な高水準の体験――消費の側面において他の消費形態と対等に競争できる体験――が生まれるかどうかです。そのようなモデルが最初の数例現れさえすれば、システムの効率はさらに向上し、その後は勢いを止めるのが難しくなるでしょう。
つまり、我々は本質的にコールドスタートのメカニズム――定義上の問題、あるいはプロトコルの問題――を解決しようとしているのです。今後は海外を中心にさらに多くの実験を行う予定であり、最終的な飛躍的な成果は、これらの組み合わせから生まれる新たな結果に表れることになるでしょう。
シャオニン：この1年間、商業化はプレッシャーや課題になるでしょうか？
修涵：良いニュースもあれば、悪いニュースもあります。良いニュースは、インタラクティブなゲームプレイにおける課金意欲と課金率が、世界的に見て予想以上に良好であることです。悪いニュースは、トークンのコストや新モデルの価格が安くなっていないため、コスト面での圧力が今後も続くということです。そのため、現時点では、可能な限り最高のパフォーマンスを引き出すよう努めつつも、無理をして自滅するようなことは避けるべきだと考えています。収益はプロセスの進展に伴い自然に増加していくでしょう。おそらく皆さんが想像しているよりも自然な形で。
ダイ・ボー：今後2～3年の間、私たちは3層構造に基づいて世界モデルのアーキタイプを構築し続け、それを基盤としてネイティブアプリケーションについて検討していく予定です。技術的な全体像については、かなり明確なビジョンを持っています。また、エージェント型AIの発展にも注視していくつもりだ。これは世界モデルの概念層を構成する要素であると同時に、生産性そのものでもある。もしそれが本当に効率を向上させることができれば、多くのことがより早く実現するだろう。2年後というのは少し長いかもしれないが、AI分野において2年というのは非常に長い期間だからだ。
シャオニン：皆さんはアプリを自作するつもりですよね？モデルを作るだけでは満足しないのでしょうか？
ダイ・ボー：アプリケーションレベルで自らの認識を磨き上げることが不可欠だ。実際の利用シーンから離れすぎると、技術の進化が本来の軌道から外れてしまう。さらに、私たちが言及しているのは、ChatGPTを支える言語モデルや、世界モデルが支えるネイティブアプリケーションのようなものだ――モデルからアプリケーションまでの距離は、それほど大きくない。
シャオニン：このアプリはツールになるのか、それともコンテンツになるのか？
ダイ・ボー：決してツールではなく、インタラクティブなエンターテインメントアプリであり、従来の意味でのコンテンツでもありません。ユーザーがアクセスした瞬間から、コンテンツの消費と創作を同時に行っているのです。
シャオニン：それは一種のプラットフォームだと理解していいですか？
ダイ・ボー：プラットフォームだと思うが、現時点ではその表現には慎重になりたい。ChatGPTのように、モデルが成熟すると、すぐに共通認識となるからだ。だから今は、既存の用語を使ってそれを定義するのは避けたい。
原创文章，作者：游茶妹儿，禁止转载：https://youxichaguan.com/ja/archives/216122
