ゲーム業界には、ほとんど話題に上らないにもかかわらず、膨大な時間と予算を消費してしまう業務がある。それはゲームプレイでも、ステージでも、そしてよく話題に上がるアートスタイルでもない。むしろ、アートパイプラインの後半部分で行われる作業――リトポロジー、UV展開、ウェイト付け、ボーンリギング……といったものだ。キャラクターの高解像度モデルがどれほど美しく彫刻されていても、基盤となるメッシュ構造に問題があれば、アニメーションを作成した瞬間に不自然さが露呈してしまう。その後は、トポロジーの修正、UV展開、テクスチャの塗り直し、ボーンバインディング、アニメーションの再作成といった、一か所を修正すれば他の部分にも波及する、長きにわたる修正作業が待っている。こうした作業には創造性があまり求められないことが多いが、それこそが3Dアセットが実際に制作現場で使えるかどうかを決定づける要素なのである。過去2年間、AIによる画像や動画が人々の期待を大きく高めたため、AI 3Dは当然ながら次に期待されるものとなりました。取り組んでいる人は多く、見栄えの良いデモも数多くありますが、実際に制作現場でこれらのモデルを使おうとする人なら、単に「使える」状態から、真に「使いやすく」「扱いやすい」状態になるまでには、まだ長い道のりがあることをよく理解しています。多くの高ポリゴンモデルは一見すると迫力があるように見えますが、制作パイプラインに投入すると最初の関門を突破できません。基盤となるメッシュは論理性のない断片的な面の塊であり、編集できず、リアルタイムレンダリングには耐えられず、アニメーションなど論外です。「3Dのように見える」ものと「実際に使える3D」の間には、一体何が欠けているのでしょうか？この溝を本当に乗り越えようとしている人はいるのでしょうか？今回の「405遊局」ポッドキャストでは、VASTのチーフサイエンティストである曹炎培氏をお招きしました。VASTは2023年に設立され、AI 3D大規模モデルとワールドモデルを中核分野としており、最近、アリババと恒旭資本が共同で主導する5,000万ドルのシリーズA資金調達を完了したばかりだ。同社の製品「Tripo」は、業界ですでに数多くの実用事例を生み出している。今年3月にリリースされたばかりの「Tripo P1.0」が重視しているのは「見た目の良さ」ではなく「ネイティブな実用性」であり、トポロジーが整った、エンジンに直接読み込める標準的なローポリゴンメッシュを2秒以内に直接出力することを目指しています。
「使える」というのはあくまで第一歩に過ぎず、アセットには動きやインタラクションも必要です。次に取り組むべきは、バインディングとアニメーションの自動生成であり、その先にはアセット自体に行動ロジックを持たせることです。この流れに沿って進むと、ワールドモデルにたどり着きます。単に物を作るだけでなく、物たちがその中で機能し得る世界を作り出すのです。最近、彼らはワールドモデルに関する初期の研究成果も発表しており、最初のワールドモデルも間もなく登場するとのことです。曹炎培氏は、これらのモデルの技術責任者であり、清華大学で学士号と博士号を取得し、以前はテンセントで生成型3D研究を率いていました。約1時間半にわたる対談の中で、彼は「紙製のランタン」という比喩を用いて、3Dアセットの構成を非常に分かりやすく説明しました。メッシュ、トポロジー、UV、ボーンがそれぞれどのような役割を果たしているのか、また従来のパイプラインではなぜ手直しが絶えないのかについてです。また、現在の課題についても隠すことなく語った。トポロジーの問題は基本的に解決されたが、リギングとアニメーションは「プロダクションレディ」となるまでにはまだ距離があるという。しかし、3Dという道が確かに険しいからこそ、彼の進むべき道に関する判断にはむしろ注目すべきだ。多くの研究者が「動画」をワールドモデルへの主要な経路として期待しているが、彼はこれを「次元削減後の投影をネイティブな信号として扱っている」と指摘する。それに対し、3Dこそが物理世界本来の表現方法であり、その長期的な価値は著しく過小評価されている。そして、このアプローチとは別に、彼はさらに大きな問いを投げかけた。「もし1日に10万個のアセットを生成できるようになったら、あなたは今と同じようなゲームを作り続けるだろうか？」
おそらく、3D生成のハードルが本当に十分に低くなった後、インタラクティブ・エンターテインメントの分野では何か新しいものが登場するだろう。
以下は、「ゲーム茶館」が許可を得てまとめた完全な対談記録であり、内容は編集されています。
01
「見た目は似ている」から「実際に使える」まで、3Dの難しさとは一体どこにあるのか？
「画像や動画は単なる2Dピクセルの皮に過ぎないが、3Dモデルには正確な構造、合理的なトポロジー、ボーンが必要であり、エンジン内で物理的な衝突計算を行えるものでなければならない。この両者の間には、巨大な隔たりがある。」
シャオニン：ここ2年、皆さんはAIによる画像や動画を数多く目にしてきましたが、さらに一歩踏み込むと、3Dは実はより重要かつ難しいテーマです。それは単に何かを生成するだけでなく、ゲームやコンテンツ制作のプロセスに真に組み込まれていく必要があるからです。
今日は、さらに具体的な質問を投げかけたいと思います。AI 3Dの難しさは一体どこにあるのでしょうか？実際に生産に投入できるパイプラインを構築するには、どのようなステップを踏む必要があるのでしょうか？そして、この業界は現在、どの段階にあるのでしょうか？
曹炎培：あなたは3D生成分野の課題を非常に的確に突いておられます。ここ1、2年、SoraやSeedanceをはじめ、さまざまな画像生成・編集AIによって、人々は衝撃的なビジュアル効果に「甘やかされて」しまい、3D生成も当然のように実現されるべきだと考えるようになってしまったのではないでしょうか？しかし、ゲームや3Dインタラクションに携わる専門家ならご存知の通り、「3Dのように見える」ものと「実際にエンジンで使える3Dアセット」の間には、大きな隔たりがあります。画像や動画は単なる2Dピクセルの「皮」に過ぎませんが、3Dモデルには正確な構造やトポロジー、ボーンが必要であり、エンジン内で物理的な衝突計算が行えるなど、さまざまな要件が求められます。
私たちTripoは、ここ数年、ただ一つのことに注力してきました。それは、AIが生成するものを、もはや「見栄えは良いが実用性に欠ける」視覚的な幻想ではなく、美術デザイナーや開発者が数秒でゲームエンジンやMayaなどのDCCツール内でアニメーションやインタラクションを作成するために使用できる、真に実用的なプロフェッショナルグレードのアセットに変える方法です。先日、Tripo H3.1およびP1.0をリリースし、基盤アーキテクチャにおいてパラダイムレベルの再構築を行いました。この機会を借りて、AI 3Dの背後にある技術的ロジックについて、皆様と深く掘り下げて議論できれば幸いです。
シャオニン： 私たちのリスナーの多くはゲーム業界関係者ですが、たとえ業界関係者であっても、プランナーやプログラマーの方が多く、3Dパイプラインを本当に深く理解している人はそれほど多くないかもしれません。少しずつ分解して話していきましょう。根本的なレベルで見て、1枚の画像、1本の動画、そして実際に使える3Dアセットの、最も根本的な違いは何でしょうか？
曹炎培： 最も根本的な違いは、データの表現の本質が異なる点にあります。画像や動画を生成する際、ニューラルネットワークが処理するのは極めて規則的で緻密なピクセル行列です。AIは、固定されたグリッドの各マスに色を塗りつぶすだけでよいのです。しかし、3Dは本質的に空間内で疎な構造であり、さらには非ユークリッド空間の構造さえも持つ。AIは、何千、何万もの頂点の位置を特定するだけでなく、頂点間の接続関係――つまり「メッシュトポロジー」――を構築しなければならない。
2Dモデルは平面上の光と影の統計的な法則を扱うもので、現在では非常にリアルな光と影の効果を描き出すことが可能ですが、本質的には一種の「視覚的錯覚」であり、その背後には真の3次元の実体はありません。一方、物体が3次元空間において成立するためには、表面を連続的かつ正確に表現する必要があるほか、完全な構造と機能性も求められます。2Dの光と影の法則への適合から、厳密な物理的・位相論的論理の構築へと飛躍することは、単なる数学的メカニズムの問題にとどまらず、ニューラルネットワークや生成モデルの設計においても、より多くの配慮が必要となる。
シャオニン：メッシュ、トポロジー、UV、ボーンバインディングについて、できるだけ専門用語を使わずに、なぜ重要なのか説明してもらえますか？
曹炎培：3Dモデルを、紙で作ったランタンだと想像してみてください。メッシュとは、ランタンの外殻を構成する紙片を組み合わせた形状のことです。トポロジーとは、紙片をどのように継ぎ合わせて接続するかを指し、人体に例えるなら筋肉の走りに対応します。なぜトポロジーは難しく、その影響は大きいのでしょうか？それは、トポロジーが適切でないとモデルが動かせなくなるからです。まるで筋肉が乱れて伸びて腕が引き裂かれてしまうように、アニメーション制作時にモデルが紙の塊のようにくしゃくしゃになってしまうのです。 UVとは、立体表面をまるでミカンの皮をむくように2D平面に展開することです。UVが細かすぎると、テクスチャを作成するアーティストは途方に暮れてしまいます。表面がバラバラになり、境界が永遠に合わないからです。ボーンリギング（Rigging）とは、提灯の中に可動式の金属の骨組みを詰め込み、どの骨がどの紙片を引っ張るかを規定することで、提灯を動かすことです。
シャオニン： なかなかイメージしやすいですね。ひとまずAIは置いておいて、従来の3Dパイプラインでは通常どのように作業が進められるのでしょうか？どの工程が最も時間がかかるのでしょうか？
曹炎培：次世代ゲームの制作プロセスを例に挙げると、まずコンセプトアートによる設定が行われ、その後、スカルプターが極めて精細だがポリゴン数の多い「ハイポリモデル」を構築します。その後、リトポロジーを行い、ハイポリゴンモデル上に簡素化された規則に基づいたポリゴンを配置して「ローポリゴンモデル」を形成します。ローポリゴンモデルが完成したら、UV展開とテクスチャ作成を行い、さらにボーンを設定してウェイトを割り当て、最後にアニメーターに引き渡します。
最も時間がかかるのは、トポロジーの再構築とリギングであり、芸術的・創造的な要素はほとんどなく、本質的には煩雑な手作業です。さらに、リギングとアニメーションは、苦痛を伴う手直しが発生しやすい工程であり、多くの場合、アセットをアニメーターに引き渡してキャラクターを動かしてみて初めて、前かがみになったりパンチを繰り出したりする際にトポロジーの配線に問題があることに気づくのです。ワークフロー全体が直線的なため、トポロジーを変更すると、UVの再設定、テクスチャの再適用、リギングの再構築、アニメーションの再作成が必要となり、一部を変更すると全体に影響が及んでしまうのです。
02
AIの後始末を他人に任せない――モデルの生成から導入までの全プロセス
「P 1.0 の根底にある哲学は、現段階の AI は、人間が数十年にわたって蓄積してきた産業標準に適応すべきであり、人間が AI が生成したモデルの後始末をしなければならないような状況にしてはならない、というものである。」
シャオニン：2年前、AI 3Dについて話していた頃、ある印象を受けました。つまり、誰もがあなたが言う「第一歩」、つまり精巧なハイポリゴンモデルを生成することに注力しているように見えたのです。しかし、先ほどのご説明を聞くと、皆はまだ真の核心的な問題には深く踏み込んでいないようですね？
曹炎培：そのご指摘はまさにその通りです。私たちがまず取り組んでいるのは、ここ2年間、多くの人に見過ごされてきたメッシュトポロジーの問題です。素人はモデルが似ているかどうかしか見ませんが、産業界のモデラーやテクニカルアーティストは、モデルを受け取るとまず、ショートカットキーを押してワイヤーフレーム表示に切り替え、下層のワイヤーフレームが正しいかどうかを確認するでしょう。もしAIが、論理性のない三角形がぎっしりと詰まった塊を出力した場合、それは非常に負荷の高いアセットとなり、編集やリアルタイムレンダリングのパフォーマンス面で大きな課題となるだけでなく、アニメーション段階でもそのまま使用するのは困難です。高解像度モデルは、既存の産業パイプラインに適合しないのです。
私たちのP1.0が解決しようとしているのは、パイプラインで利用可能なローポリゴンモデルをどのように生成するかという点であり、私たちはこれを「ネイティブに利用可能な」アセットと呼んでいます。今日に至り、AI 3Dも「概念実証用のハイポリゴンモデルしか生成できない」段階から、「真の生産性を実現する段階」へと移行する時期が来たと確信しています。
P1.0の根底にある哲学は、現段階のAIは、人間が数十年にわたって蓄積してきた産業標準に適応すべきであり、人間がAIが生成したモデルの後始末をする必要はない、というものです。モデルが生成されたその瞬間、それは四角形を主体とし、配線が合理的で、形状が正確な標準メッシュとなっており、出力されたまますぐに使用可能です。ハイポリゴンモデルからトポロジー、さらにUV展開やテクスチャまで、基本的にそのままUEエンジンやMayaに読み込んで、アニメーションやシミュレーションを行うことができます。
シャオニン：「ネイティブで利用可能」とは、いくつかの重要な段階で編集が可能であり、かつ生産フローに直接組み込めることを意味するのでしょうか？
曹炎培： そうですね。手作業による修正をほとんど必要とせず、より直接的にワークフローに組み込めるようになります。もしAIが2分、あるいは10分かけてモデルを生成したとしても、トポロジーがめちゃくちゃで、専門的な知識を持つアーティストが半日以上かけて頂点を整理し、トポロジーを再構築しなければならないとしたら、そのAIが本当に効率化ツールなのか、それとも手戻りのコストを増やすものなのか、判断するのは難しくなります。
シャオニン：3Dワークフローを解決するためのアプローチとして、2つの考え方を耳にしたことがあります。1つは、個々の課題を一つずつ解決していく方法、もう1つは、すべての工程を一気に網羅するような方法です。これら2つのアプローチには、それぞれどのようなメリットがあるのでしょうか？
曹炎培： 私の見解はこうです。個々のポイントにおいては確かに急激な変化――ある日突然、ある技術が使えるようになる――がありますが、パイプライン全体への統合は漸進的なものです。例えば、手動によるトポロジーの再構築や手作業でのUV展開といった機械的な作業については、P1.0はすでにブレークスルーに非常に近づいており、間もなくAIに引き継がれる可能性があります。しかし、長期的には、生成されたモデルは依然として標準フォーマットで標準的なワークフロー間を流通させる必要があります。私たちは、皆さんがエンジンを使う習慣を完全に変えたいのではなく、各工程でアセットを生成する方法を置き換えていきたいと考えています。技術的なブレークスルーは突発的なものですが、それぞれのブレークスルーが実際の制作に組み込まれる際には、ワークフローへの漸進的な統合を図りたいと考えています。
シャオニン： では、こうした段階的な統合はどのように進んでいくのでしょうか？ AIと人間は、どのような形で協働することになるのでしょうか？
曹炎培：私たちは2つの側面から考えています。1つは、専門的なプロセスについてですが、トポロジーやバインディングといった、芸術的な創造性が最も必要とされず、最も煩雑な工程を、AIによって可能な限り徹底的に代替し、皆のエネルギーを真に創造性が求められる工程に集中させたいと考えています。
一方、AI 3D 技術のより広範な可能性は、これまで 3D パイプラインに触れたことがなく、3D モデルが何であるかさえ知らない一般ユーザーにあるかもしれません。AI がパイプライン全体をカバーできるようになれば、エンドユーザーはグラフィックスの概念を理解する必要も、アートアセットの制作プロセスを知る必要も全くなくなるでしょう。まるで、ネットからアイコンをダウンロードする際に、それがAIで作られたものかPSで作られたものかを気にしないのと同じように、SVGアニメーションをダウンロードする際にも、それがどのように作られたかを気にすることはないでしょう。3D AIも、エンドツーエンドの機能において、一般ユーザーに対してこのような極めて低い参入障壁をもたらす変革をもたらす必要があります。そうして初めて、3Dが神秘的なものやニッチな表現形式であるという認識を払拭し、より広範なUGCエコシステムが生まれる可能性が出てくるのです。
シャオニン：今日、3Dアセットを実際に活用しているのは、やはりアニメーション、ゲーム、そしてインディーズ開発者たちですね。どのような人々がAI 3Dを受け入れているのでしょうか？また、どのような企業がまだ比較的保守的な姿勢をとっているのでしょうか？
曹炎培：現在、最大の価値を得ているのは間違いなく、中小規模、さらにはインディーズのゲーム開発チーム、そしてUGCプラットフォームやプログラム生成を手掛けるチームです。大規模なAAAチームは膨大なアート予算を持っており、パイプラインの変更に対しては慎重な姿勢をとっています。しかし、中小チームの場合、多くの場合「アイデアが生産能力を上回っている」状況にあります。アートリソースの不足は、彼らの急速な発展や中核となるクリエイティブの表現を妨げる大きなボトルネックとなっている。AI 3Dは彼らに優れたてこを提供し、本来なら数十人のアートチームを必要とした世界を、極めて低いコストで構築することを可能にしている。
P1.0に関しては、環境小道具（props）、中・遠景の建築コンポーネント、家具、さらには単純なNPCキャラクターや乗り物に至るまで、基本的にそのまま使用可能なレベルに達しています。次のステップとしては、非常に複雑なアニメーション、特にフェイシャルアニメーションや、リギングされたアニメーションを持つゲームの主人公にも取り組みたいと考えています。このハードルを乗り越えることができれば、AAAスタジオでの採用も徐々に増えていくでしょう。3D生成技術を2、3年にわたって改良を重ねてきた中で、品質の向上に伴い、上流のユーザーの間でその価値を認識する人が確実に増えているのを実感しています。
シャオニン：以前、ゲーム制作に携わっていた頃、こんな感覚がありました。アートアセット全体を100とすると、上位20％にあたるキャラクター、CG、コアアニメーションが予算の80％を占め、残りの80％の「埋め合わせ」部分はわずか20％の予算しか消費しないのです。最も重要な部分を攻略しなければ、大きな利益を得られないということでしょうか？
曹炎培：3A級の大作にとっては確かに重要ですが、私たちは長期的に見て、参入のハードルを下げることも同様に重視しています。現時点で、世界中で実際にゲーム制作能力を持つ人はごくわずかであり、ピラミッドの頂点に位置しています。より多くのクリエイターを参入させるためには、こうした技術に触れる人々の層を限りなく広げる必要があります。最も精緻な生成技術を絶えず克服していくだけでなく、使いやすさや速度などの面でも、3Dアセットの生成が「参入障壁もコストもない」と感じてもらえるようにする必要があります。
シャオニン： まずは専門分野についてもう少し詳しく話しましょう。コアアセットとは単に3Aタイトルだけではありません。多くのインディーズゲームや比較的大規模なゲームにおける主要キャラクター、顔モデル、アニメーションもコアアセットに含まれます。この壁を打ち破るために、今何が不足しているのでしょうか？
曹炎培：P1.0では、中盤から前半の工程、ハイポリからローポリ、トポロジー、初期テクスチャまでをカバーしています。その後で最も難しく、我々も多くの労力を費やして解決に取り組んでいるのがダイナミクス・バインディングです。AIは幾何学的形状を理解するだけでなく、3次元オブジェクトの背後にある機械的構造や物理的な運動メカニズムも理解する必要があり、処理すべき情報の幅がさらに広くなり、データの蓄積やクリーニングにもより多くの時間がかかります。
重要なのは、アセットの精度そのものだけでなく、すべてのコンポーネントが完備されていることです。ユーザーはそれを受け取れば、すぐに操作やアニメーションを作成できます。現時点では、バインディングやアニメーションの面では、まだ完全に「プロダクションレディ」なレベルには達していないかもしれませんが、近い将来、急速な進歩が見られると確信しています。
シャオニン： この取り組みは1社だけが行っているわけではないですが、もし本当に実現したら、汎用技術になるのでしょうか？皆が競い合っているのは、一体何なのでしょうか？
曹炎培：現在の業界の段階から見ると、AI 3Dは、ここ2年間のような純粋なアルゴリズム論文が乱立していた時期から、産業用データ規格を定義する段階へと移行しつつある。最も安定しており、最も標準化され、最も高速で、かつ既存のエンジンに最も容易に組み込めるデータ形式を提供できる者が、エコシステムの要となる位置を占める可能性が最も高い。
ここには、典型的な「イノベーターのジレンマ」が関わっています。膨大なゲーム事業を抱える大手企業には、優れた技術チーム、計算リソース、資金があるものの、社内のAIチームは重い歴史的負担を背負っており、既存の、あるいは時代遅れのパイプラインに適応せざるを得ない。例えば、10年後のAI技術を使って10年前のゲーム制作プロセスを処理するような状況だ。特定のパイプラインと業務ロジックが強く結びついていることが、研究開発を困難な状況に追い込んでいる。
一方、VASTのような独立したプラットフォームの強みは、技術的中立性と俊敏性にある。過去の特定のゲームにパッチを当てることも、特定の制作プロセスに対応することもなく、第一原理に基づいて、最先端のアルゴリズムを直接活用し、将来の3D生成がどのようなものであるべきかを定義することができる。
より長期的な視点で見ると、私たちが常に取り組んでいる核心的な課題は、「インタラクティブで、基盤となるロジックを備えた3D世界を、瞬時に直接生成するにはどうすればよいか」ということです。完璧な3Dアセットには、皮膚、筋肉、骨格、そして「脳」が必要です。これまで業界で生成されてきたモデルの多くは、表面的な部分――基本的な視覚要素――しか備えておらず、その下にある要素は欠けていました。P1.0はネイティブメッシュを通じて「筋肉」――きっちりと組み合わされたトポロジー構造――を実現しました。アニメーションのバインディングは「骨」に相当します。これにより、モデルに運動学と物理構造が組み込まれ、関節が適切な位置に配置され、ユーザーのインタラクションに応答できるようになります。「脳」とは、アセット自体がNPCやエージェントとなり、環境内でプレイヤーや他のエージェントと相互作用することを指します。
純粋な幾何形状の生成から、運動学やインタラクションロジックを備えたアセット構築へと段階的に進化させること――これこそが、私たちが当初から目指してきた技術的な目標です。
シャオニン：先ほどのお話を踏まえると、パイプライン全体のロジックも変わってくるということですね。3Dパイプラインには多大な人的リソースが投入されていますから、業界関係者としては当然、「何が代替されないのか？」「何が代替されやすいのか？」と気になります。
曹炎培：AIの発展はこれほど急速であり、美術やゲーム業界の従事者だけでなく、かつて知性の頂点に立っていると考えられていたプログラマーや研究者でさえ、大きな危機感を抱いています。この話題については長期的な議論が必要だ。しかし、3Dパイプラインそのものに話を戻すと、技術発展の意義とトレンド、そして私たちが目指す技術の方向性とは、人々を煩雑な反復作業から解放し、真に創造性やアイデアが求められる分野にエネルギーを注げるようにすることにある。たとえ3Dパイプラインやゲーム業界に限定したとしても、将来、自らの価値や差別化を真に体現できるのは、やはりアイデア、創造性、そして実行力である。
03
2秒でモデルが生成された後、そのスピードが創作の在り方を変えるほどになったとき
「もし『1日で10万個のアセットを生成できる』と言われたら、どんなゲームを作るでしょうか？ 主人公のアセットを1つ作るのに半月かかる場合と比べれば、皆の選択は大きく異なるはずです。以前は、前のような選択肢など全くありませんでした。」
シャオニン： 何度も「スピード」という言葉を挙げていますが、なぜそんなにスピードを重視するのですか？
曹炎培：私たちにとってスピードは単なる宣伝文句ではなく、会社設立以来一貫して追求してきた目標です。スピードの量的変化は、3Dコンテンツ制作において質的な変化をもたらします。 現在、最も重要な意義は、試行錯誤のコストをほぼゼロに抑えられる点にあります。モデルを生成するのに10分かかる場合、クリエイターの思考の流れは中断されてしまいます。しかし、P1.0の2秒という生成速度によりリアルタイムのフィードバックが実現され、10の異なるコンセプトを瞬時に検証し、最も優れたものだけを残すことができます。
これは実のところ、クリエイターの想像力を解放するものであり、思いついたことを形にする際の障壁が大幅に低減されるということです。まるで今、皆がプログラミングをするのと同じように、アイデアが浮かんだらすぐにCodexやClaudeに投げかけ、生成された結果を見て正否を確認するのです。3Dも同様で、生成速度と、その速度から生じる心理的プレッシャーを極限まで低減してこそ、真の質的変化を引き起こすチャンスが生まれるのです。
UGCのエコシステムにおいては、スピードがさらに重要となります。プロによる開発においてスピードは効率の向上をもたらしますが、UGCにおいては、スピードこそが最も重要な「即時的な満足感」をもたらすのです。一般ユーザーは10分間もプログレスバーを待つ忍耐力を持っていません。AIだけが、エンターキーを押すかのように瞬時に3Dオブジェクトを生成できるからこそ、ユーザーは継続的にインタラクションを行い、創作を続けるモチベーションを維持できるのです。
シャオニン：スピードというものを、生産の観点で見るか消費の観点で見るかによって、心理的な期待値は全く異なると感じます。UGCのその論理にはかなり共感します。しかし、生産の側面に立ち返ると、以前は3Dアセットの制作に日単位や週単位の時間がかかっていましたが、それを2秒にまで短縮するのは極端すぎます。一体どの程度のスピードになれば質的な変化をもたらすのでしょうか？そこまで極端である必要があるのでしょうか？
曹炎培：2秒で実現できるのは主にネイティブメッシュトポロジの生成であり、その後のテクスチャの適用やマテリアル設定、アニメーションのバインドには、依然として手作業、あるいはAIと人間の協業が必要となります。数秒で完全なアセットをエンドツーエンドで生成できるわけではありませんが、これは私たちが今後ぜひ追求したい目標です。本当に秒単位の速度が必要なのでしょうか？必ずしもそうとは限りませんが、生成が速ければ速いほど、皆は従来の時間的制約による思考の枠組みから抜け出せるようになるでしょう。
もし「1日で10万個の資産を生成できる」と言われたら、あなたはどのようなゲームを考案するでしょうか？ 主人公の資産を1つ得るのに半月もかかる場合と比べれば、人々の選択は大きく異なるでしょう。以前は、前者の選択肢などそもそも存在しませんでした。専門分野であっても、スピードという量的変化は、制作のパラダイムや発想において質的な変化をもたらすのです。
シャオニン： かつてゲーム業界で働いていた身としては、クリエイティブな開発者にとっては間違いなくプラスになるでしょう。しかし、現場の従業員にとっては競争がさらに激化したように感じます。以前は週に1つか2つのアセットを作っていたのが、ツールの助けを借りれば、1日で1万個も作らなければならないことになるのでしょうか？
曹炎培： 必ずしも競争が激化しているとは思いません。AIの技術が導入されることで、コンテンツ制作の形態も変化していくでしょう。かつてテレビ局で映像制作をしていた人々と、現在MCNでショート動画を手がけるクリエイターとの関係に少し似ています――個人の核心的な価値は同じかもしれませんが、コンテンツの形態はより多様化しました。長編だけでなく、短編ドラマや見きれないほどのショート動画もあり、確かに才能を発揮できる余地は広がっています。競争が激化しているかどうかについては、それは複雑な社会的・経済的な問題であり、特定の単一の技術にのみ原因を帰することはできません。
シャオニン：UGCについて話す際、開発者の参入障壁を下げることを重視しているのか、それとも本当に一般の人なら誰でもコンテンツを作成できる状態まで一気に持っていくことを目指しているのか？
曹炎培：最終的な目標は、より純粋な3D UGCを実現することです。これが、この会社を立ち上げた当初の理由でもあります。しかし、参入障壁を下げる技術の一つひとつが、ある程度コスト削減や効率化にもつながります。これを「道中で卵を産む」と呼んでもいいでしょう。3D UGCが具体的にどのようなものなのか、大多数の人々にはまだ明確な定義がなく、実現可能かどうかさえも、誰もが懐疑的な態度をとっています。だからこそ、私たちは常に高い目標を目指して取り組む一方で、各技術が今日の業界において本来果たすべき役割を確実に果たせるよう、着実に進めていきます。
私たちがTripoを紹介する際、通常「私たちはゲーム会社の時間と労力を節約する3Dツール会社です」とはあまり言いません。ツールとして位置づけてしまうと、その価値はコスト削減と効率化に帰着してしまいますからね。私たちが実際に取り組んでいるのは、次世代のUGCや、誰もが参加できるインタラクティブエンターテインメントプラットフォームを実現するための基盤インフラを構築することです。
シャオニン： 参入障壁の引き下げと上限の追求には、優先順位の差がありますか？技術的な難しさという点では、これらは同じ方向性を指しているのでしょうか？
曹炎培：今日の産業環境においては、実際には同じことなのです。参入障壁を下げるにしても、最低限の条件は依然として「パイプライン対応」であることです。より高い品質を追求しつつも、それは依然として「パイプライン対応」のアセットであり続けます。ひとたび「パイプライン対応」となれば、ゲームエンジンであれ、Vibe Codedで作成されたミニゲームであれ、アセットに対する要件は同じです。「パイプライン対応」のアセット生成能力があり、構成要素がますます充実すれば、参入障壁は自然と低くなります。少なくとも現時点では、この二つは同じことなのです。
04
動画ではなく3Dに賭ける――未来に向けた、一味違う賭け
「現実世界そのものは3Dであり、動画の中の2Dピクセルは、3次元の世界を圧縮・次元削減した後の投影に過ぎない。ネイティブ3Dの路線を貫くことの、長期的な技術的拡張性は、AI研究分野において大きく過小評価されている。」
シャオニン： あなたはゲームエンジンについてずっと話していますが、ビデオモデルが発展しているこの時代において、ゲームエンジンそのものが変化するのではないかという見方もあります。将来、エンジンに依存せずに成立するゲームジャンルが現れる可能性はあるのでしょうか？
曹炎培： 十分にあり得ます。私たち自身も、そのことについて多くの時間を費やして考え、模索してきました。インタラクティブなコンテンツについて、今後数年の展望を見据えると、従来のゲーム形式だけにとどまらないでしょう。例えば、現在では確かにインタラクティブな世界モデルという形態が存在します。1つの画面から始まり、動画モデルと画面との相互作用を通じて、その中を探索したり、さらには環境に影響を与えたりすることさえ可能です。
また、AIコーディングやエージェントの能力が向上するにつれ、AIエージェントがより使いやすくなる新しいエンジンが必要になってくるのではないでしょうか？これはおそらく今後のトレンドとなるでしょう。現在、vibe codedのゲームはすべてThree.jsを使用していますが、私の見解では、AIにはUnityやUEのような重いエンジンをうまく操作する能力がまだ十分ではなく、最も直接的な方法はJavaScriptをゼロから書くことだからです。
シャオニン：「『ワールドモデル』という言葉は、この半年間でますます注目を集め、話題になっています。あなたはワールドモデルをどのように定義しますか？また、他との違いは何ですか？」
曹炎培：私は、学術界で一般的に用いられている定義、すなわち「現在の状態と一つの行動が与えられたとき、環境の次の瞬間の状態を予測すること」を認めています。しかし、皆がそれぞれの関心のある分野でこの考えを実践しているのです。
私たちは、業界で最も注目を集めている「純粋な動画生成」のアプローチとは一線を画しています。純粋な動画生成は、どちらかといえば光と影のシミュレーターであり、そこで学べるのは光と影の変化に過ぎず、その背後にある3次元世界の法則性を保証することは困難です。これが、動画の世界モデルには常識的あるいは論理的な誤りがしばしば見られると批判される理由でもあります。
私たちが当初から目指していたのは、動画モデルが、複数のプレイヤーが同時に相互作用し、メカニズムや行動が高度に制御可能な環境下で機能すること――つまり、複数のプレイヤーやエージェントが同時に環境に影響を与えられるようにすることでした。さらに重要なのは、世界におけるメカニズムや挙動が極めて予測可能かつ決定的でなければならないという点です。例えば、レースゲームにおいてAがBを追い抜いた場合、AはBの前にいるはずであり、あるフレームで位置が変動したからといって状況が変化してはなりません。純粋なビデオモデルでは、その根本的な仕組み上、このような一意性や決定性を保証することは困難です。
もちろん、「動画の世界モデルでは、通り過ぎた場所を振り返っても、それがどう変わっているか分からない」という点が、一種の斬新な体験だと主張する人もいるでしょう。しかし、私たちとしては、この斬新さは本質的に動画モデルの記憶上の欠陥に基づいたその場しのぎの策に過ぎず、真に制御や創作を志すクリエイターが、繰り返し体験できるコンテンツを構築する助けにはなり得ないと考えています。私たちが世界モデルを構築する際の考え方は、やはり「マルチプレイヤー間の相互作用をサポートし、世界のメカニズムと未来は予測可能で、唯一かつ確定的なものである」というものです。
シャオニン： 純粋な動画生成における論理性は、真の意味での理解とは言えず、わずかな誤差が蓄積されてしまいます。あなたが言う目標を達成するには、モデルの推論において、真の論理的な連鎖が必要だということでしょうか？
曹炎培：その通りです。ですから、単体の動画モデルというパラダイムから脱却し、推論と映像表現の両方を同一のモデルに委ねる必要があります。現在の能力では、高い制御性を保証することは困難です。推論段階において、3Dやコードといったより多くの明示的な状態を導入する予定です。まだかなり初期段階の探索ですが、方向性が明確になれば、迅速に反復検証を行っていく予定です。
シャオニン： なぜ他人が作ったものをそのまま使わないの？
曹炎培：世界モデルをどのような状態に構築するか、まずどの課題に取り組むかについて、技術的な選択は人によって大きく異なります。主流の応用シーンはロボットの制御やシミュレーションかもしれませんが、これは私たちが注目している今後3～5年の応用とは大きく異なり、異なる技術路線が打ち出されることになるでしょう。さらに、Tripoが一貫して取り組んできたのは、デジタル世界における「状態」の解決です。アセットの生成とはすなわち状態の生成ですが、アセットがどのように進化し、状態間でどのように移行していくか、これこそがワールドモデルが解決すべき課題なのです。私たちはまさにその分岐点に立っており、ワールドモデルは大きな可能性と想像力を秘めた技術分野でもあります。
シャオニン：今後1～2年間、御社にとって最も重要な投資分野はどこですか？
曹炎培：AI分野において、2～3年の計画というのは実に長いものです。アルゴリズムの仕組み、計算能力、ニューラルネットワークの構築、マルチモーダル研究のパラダイムなどは、数ヶ月ごとに大きな再構築が起こり得るからです。私たちにとって重要なのは、高い技術的鋭敏さと機敏な意思決定能力を維持し、特定の路線に強い経路依存性を抱かないことです。新しいトレンドが現れた際には、方向性を極めて迅速に調整し、技術の再構築から製品レベルのモデル、さらには製品機能に至るまで、非常に機敏な反復プロセスを踏むことです。
2、3年後の状況としては、3Dアセット制作ツールから、空間コンピューティングやUGCインタラクションの基盤機能への飛躍を成し遂げているだろうと頭の中では考えている――しかし実際には、皆がより注目しているのは、今後2、3ヶ月、あるいは数週間という短期的な迅速なイテレーションの方だ。
シャオニン：AI 3Dがパイプラインに直接、高品質な状態で導入されるまでにはどれくらいの時間がかかりますか？2～3年以内には実現可能でしょうか？
曹炎培： 現在の技術の進展ペースから見れば、2～3年というのはむしろ少し長いかもしれません。来年の今頃には、AIが生成したアセットに優れたテクスチャのバインドとトポロジーが施され、完成されたゲームアセットとして使用できるようになることを、皆さんも十分に期待できるでしょう。
昨年のこの時期、高解像度モデルの生成品質そのものに対して多くの批判がありました。適当に車を生成しても形状が不正確で、フィギュアとして印刷したい水準には到底達していませんでした。しかし、十数ヶ月が経過した今、高解像度モデルは人間のアーティストが手作業で彫刻したレベルに迫っており、トポロジーが単純な低解像度モデルも非常に高品質に仕上がるようになりました。来年には、「皮膚、筋肉、骨、脳」を備えたアセットが、AIによるエンドツーエンドの生成で実現できるはずです。
シャオニン： 現在の時点で、AIや3D分野において、何が過大評価され、何が過小評価されているのでしょうか？
曹炎培：依然として過大評価されているのは、視覚的なリアリズムだ。ネット上では非常にリアルな3D生成結果を見かけるが、それらは動画という形式で提示されている。レンダリングされた高解像度モデルという観点から見れば確かに精細だが、これは業界関係者なら誰もが感じることであり、一般の人々にはその違いが分からない。
過小評価されているのは、3D信号が物理世界を本来の姿で表現する究極の価値である。研究界では、3Dというモダリティは概して過小評価されている。多くの学者は「苦い教訓」を引用し、3Dはスケーラビリティに欠け、汎用性が低く、人為的な設計が多いと主張し、勝者は間違いなく膨大な動画データに純粋に依存するアプローチであると考えている。私は、この視点には大きな限界があると思う――そこに暗黙のうちに含まれる枠組みは、従来のコンピュータビジョンタスクの思考に縛られているからだ。
第一原理に立ち返ってみよう。2Dピクセル行列と、絶対的な空間スケールを持つ3D信号、どちらがより「ネイティブ」だろうか？答えは明らかに後者だ。現実世界そのものが3Dであり、2Dピクセルは3次元世界を圧縮・次元削減した投影に過ぎない。P1.0は、3次元構造の中で直接学習・生成を行い、人為的な設計を導入するのではなく、AIに物理世界本来の信号を直接適合させます。ネイティブ3Dの路線を貫くことで、その長期的な技術的拡張性と持続性は、大きく過小評価されています。
シャオニン：GDCの期間中、Simon（VASTの創業者）が私にこう言いました。「GDCのような開発者にとって最大規模のカンファレンスでさえ、まだ多くの人がAI 3Dを実際に体験したことがない」と。これもまた、過小評価されているということなのでしょうか？
曹炎培： 私はむしろその逆で、かなり楽観的です。明らかに有用なものがまだ広く普及していないということは、将来的に非常に大きな可能性を秘めていることを意味します。その理由は簡単です。P1.0が登場するまで、トポロジーが正常なアセットを迅速に入手できなかったからです。それ以前、最初に触れた人たちは、高ポリゴンモデルだと気づき、あまり役に立たないと感じたため、普及させる意欲が湧かなかったのです。P1.0が登場してからは、提供されるものがまさに「ゲームアセット」のメッシュであることが分かり、多くの海外クライアントが自発的にAPIに接続し、試用後に自然とサブスクリプション契約を結ぶようになりました。これは確かに大きな転換点でした。
シャオニン：もし一言か二言で表現するとしたら、Tripoを外部の人々にどのように理解してもらいたいですか？
曹炎培：私たちは、皆さんにTripoを、未来の全く新しいUGCインタラクティブプラットフォームであり、3Dコンテンツエコシステムの基盤として捉えていただきたいと考えています。これは単に時間と労力を節約できる3D制作ツールというだけでなく、次世代のインタラクション形式と3Dコンテンツエコシステムのために構築された、一連の基盤機能なのです。AAA級の大型開発チームであれ、美術の基礎知識はなくても情熱とアイデアに溢れた一般の方であれ、誰でも非常に低いハードルで、頭の中にある3D世界をリアルタイムに構築することができます。
シャオニン： これはとてつもなく壮大な構想だ。
曹炎培： 確かに、これは非常に高い目標であることは否定しません。しかし、私たちのチームは最初から最後まで、すぐに見通せてしまうような未来に自らを限定するのではなく、高い目標を掲げて絶えず改善を重ねていきたいと考えています。
原创文章，作者：游茶妹儿，禁止转载：https://youxichaguan.com/ja/archives/216296
