最近、汎用人工知能（AGI）企業であるVASTは、A+およびA++の2ラウンドの資金調達を完了し、その総額は2億米ドル近くに達した。今回の資金調達ラウンドは、渶策資本と国寿長三角科創基金がリードインベスターを務め、深圳市人工知能端末産業基金、上海半導体産投、深創投、元生資本などの産業系および財務系資本がフォローオン投資を行った。
この資金調達に合わせて、同社が初めて外部に公開した世界モデルプロジェクト「Project Eden（コードネーム：エデン）」も発表された。
今回の資金調達と新プロジェクトのデモ公開により、もともと活況を呈していたワールドモデル分野に、さらに興味深い要素が加わった。
この1年、AIの進歩は息つく暇もないほど速い。先日、あるゲーム会社の社長が私にこう話してくれた。「業界のAIの進歩に対する反応は、まるで地震の早期警報を受けた時のようだ。警報が鳴れば、どうしても階下に降りて様子を見ずにはいられない。たいていは虚偽警報だが、その場にじっとしていられない。いつ本当に事態が一変するかわからないからだ。」
世界モデルが与える印象は、とりわけその傾向が強い。今年初め、Google DeepMindが「Genie 3」を発表した後、資本市場のセンチメントは瞬く間に高まり、Unityは2022年以来最悪の1日下落率を記録し、Take-TwoやRobloxなどのゲーム関連株も軒並み急落した。しかし、業界はすぐに事態を把握し、これはAIに関する物語に煽られた過剰反応に過ぎないと見なした。UnityのCEOであるマシュー・ブロムバーグ氏は、より根本的な限界を指摘した。すなわち、この種の世界モデルの出力は確率的であり、不確実性があるということだ。
ゲーム業界の観点から見ると、Genie 3の技術的アプローチにはある種の根本的な欠陥がある。直感的に見て非常にリアルな映像を生成することはできるが、実際にプレイでき、繰り返し入り込み、さらにはマルチプレイヤー対応のゲーム世界を構築するには至っていない。
それに比べて、本日VASTが初の世界モデルプロジェクト「Project Eden」を発表したことは、私にとって目から鱗が落ちるような出来事だった。ワールドモデルに先立ち、VASTが最も知られていたのは「Tripo」シリーズのAI 3D生成モデルで、その役割は「あらゆるものを生成する」ことでした。VASTの説明によれば、あらゆるものを生成することから世界を生成することへと進むのは、ごく自然な次のステップであるとのことです。
「AI 3D アセットとワールドモデルは、もともと双方が互いに牽引し合う関係にあるのです。」 VASTのチーフサイエンティストである曹炎培氏は、創業当初からの目標は次世代のインタラクティブなUGCコンテンツプラットフォームを構築することだったと語った。AI 3Dは「あらゆるものを生成する」際の高速性と参入障壁の低さを実現し、ワールドモデルは「世界を構築する」ための体系的な推論を解決するものであり、「これは技術の進化の延長線上にあるものであり、自然な流れとして導き出された次のステップだ。」
大多数の人が、Google Genieのような「動作条件付き動画生成」とWorld Labs Marbleのような「静的3Dシーン生成」の二者択一を迫られている中、Project Edenは第三の道を切り開いた。それは、「世界状態の進化」と「画面の視覚的表現」をアーキテクチャレベルでネイティブに分離することである。
この独自のアーキテクチャにより、従来の他のワールドモデルでは乗り越えられなかった3つの障壁――環境の長期間にわたる持続性、シーンの自由な再利用、そしてマルチプレイヤーによる同時インタラクション――が自然に解消された。
01
過大評価されている2つのアプローチと、VASTの独自の解決策
VASTという道を理解するためには、まず、これまでの世界モデルがなぜゲーム業界で実際に活用されにくかったのかを見てみましょう。
生成AI分野の著名な科学者である黄勲氏はかつて、「動画生成」と「真の世界モデル」を区別する5つの属性について提唱した。真の世界モデルとは、因果性と相互作用性を満たした上で、可能な限り高い持続性、リアルタイム性、そして物理的正確性を実現する必要がある。この基準で測ってみると、現在ゲーム業界で大きな注目を集めている2つの主流のアプローチは、商用ゲームの厳しい基準に直面した際、それぞれ越えがたい限界に直面していることがわかる。
1つ目は、最も急速に発展し、最も注目されている「動画生成派」で、Genieがその代表例である。このアプローチは本質的に、2Dピクセルの自己回帰予測を行っており、既存の映像を見て、次のフレームの各ピクセルがどのような状態になるかを推測するものである。曹炎培氏は、このようなエンドツーエンドの動画生成をワールドモデルと同一視するのは誤解であると率直に指摘している。「エンドツーエンドの動画モデルは、そのすべての状態が現在の視点に強く紐づいている。カメラのレンズが壁の角から外れてしまうと、モデルはコンテキストに基づいて再構築するしかなく、ゲームに必要な『長距離の持続性』をまったく提供できない。」
動画生成モデルは、規模が全く異なる2つのタスクを無理やり結びつけています。1つは、世界で次に何が起こるかを予測することであり、この情報は実際には比較的「軽い」ものです。もう1つは、各ピクセルを正確に描き出すことであり、この情報は極めて「重い」ものです。この「軽重」の区別がつかない根本的な論理により、実際の応用においては、まるで台本のない漫画家のように、描きながらその場でストーリーを編み出さなければならない状況に陥る。その結果、視点が切り替わる際に画面のズレや歪みが生じやすくなるだけでなく、マルチプレイヤーでのオンラインインタラクションの実現も極めて困難になっている。
2つ目は、World Labsの「Marble」に代表される「静的再構築派」である。この派が提唱する「空間知能」は、確かに空間幾何学の安定性を的確に捉えており、探索可能な3次元空間を高速で再構築することができる。しかし、その限界は、現時点では空間のみを扱っており、時間が欠けている点にある。時間軸に沿って状態を推演する能力に欠けており、生成されるのは「凍結された」環境に過ぎない。黄勲の基準からすれば、このアプローチは「インタラクティブ性」において致命的な欠陥を抱えており、それはむしろ精巧な3D標本のようなもので、見た目は美しいが、進化することはできない。
動画生成派には「脚本」が、静的再構築派には「変化」が欠けている以上、Project Eden の解決策は、脚本と描画の作業を分離すること（解耦）にある。これにより、これは業界で初めて、世界の状態を自律的に維持し、確定的な制御を加えられる世界モデルとなった。
02
状態と画面を切り離す：AIを使ってエンジンを構築する
VASTが提示する技術的パラダイムを一言でまとめると、「状態の管理と予測」と「画面のレンダリングと表示」をアーキテクチャ上で分離して処理することである。
この言葉は、一見すると理解しにくいかもしれません。しかし、ゲーム開発者にとっては、この考え方は実は非常に馴染み深いものです。それは、ゲームエンジンの動作原理によく似ているからです。エンジンのメモリ内には「ワールドデータベース」が維持されており、そこにはすべてのオブジェクトの位置、属性、状態が記録されています。カメラが移動すると、レンダリングパイプラインが視点に基づいて、視野内のシーンをリアルタイムで画面に描画します。状態は状態、画面は画面、この2つは別々のものです。
VASTが目指しているのは、AIを用いてニューラルネットワーク内にこのようなエンジンを構築することだ。これは非常に手ごわい課題である。状態をニューラルネットワーク内でどのように表現するか、どのようなネットワークアーキテクチャを採用するか、そして膨大なデータをどのように取得・拡張するか――曹炎培氏によれば、これらは実際には越えがたい大きな壁なのである。
この隔たりを乗り越えるため、Project Eden は、分離型の3層技術アーキテクチャを革新的に採用した。
その基盤となるのは構造化状態層であり、シーンの幾何学的構造、オブジェクトの属性、およびイベントロジックを一元的に管理し、客観的な状態の推演を全面的に担当する。
その中間の条件インターフェース層は、状態とレンダリングの変換ハブとして機能し、異なる視点に応じて3D状態を制約条件に変換することで、シーンをまたぐ物理的な一貫性を根本から保証する。
最上層は生成型レンダリング層であり、下層の客観的な状態と中間層の制約に基づいて、必要に応じて精細な映像をリアルタイムでレンダリングし、動的なディテールを補完する。
曹炎培氏は、デモ内の「消防士による消火」というシーンを用いて、Project Edenの動作ロジックを説明しました。ユーザーがプロンプトでキッチン、消防士、火災の初期条件を記述すると、その記述は直接、基盤となる暗黙の状態に変換されます。プレイヤーが消防士を操作して移動させ、消火ボタンを押した際、どれだけの消火粉末が噴射されたか、火は消し止められたかといった判定は、すべて基盤となる状態層内でシミュレーションされる。たとえその瞬間に1フレームの画面も描画されていなくても、この世界は基盤レベルで既に、ある種の物理法則に従って「実際に」稼働しているのだ。
そして、その上に位置するレンダリング層は、いつでも出動できる写実派の画家のようであり、現在の下層の状態に基づき、プレイヤーがその瞬間に選択した任意の視点と組み合わせて、その1フレームの画面をレンダリングするだけです。従来のコンピュータグラフィックスでは表現が極めて困難だった、ガスの拡散や炎が壁をなめるような流体の動きも、このアーキテクチャでは、レンダリング層によって非常に自然にシミュレートされる。
状態と画面を切り離すこのデカップリング設計は、技術的により洗練されているだけでなく、ゲーム開発者が最も頭を悩ませているいくつかの核心的な課題を、自然な形で解決している。
まず、「一貫性」の回復です。世界の状態は視点とは独立して維持されているため、一度背を向けて離れてから戻ってきても、その木は依然として基盤となるデータベースにしっかりと残っており、再レンダリングされるのを待っています。動画生成手法に見られる、背を向けると物体がずれたり、シーンが歪んだりするといった古くからの問題は、ここでは根本から解決されています。
次に、シーンに「繰り返し利用できる」という生命力が与えられています。ワールドの状態が独立して存在し、読み書きが可能である以上、プレイヤーがシーン内で行った行動は、そのままリアルに記録されます。あるプレイヤーがテーブルを壊した場合、その変更はリアルタイムで基盤となる状態に書き込まれます。その後、別のプレイヤーが同じシーンに入ると、頭の中で想像された「元通りの状態」ではなく、実際に破壊された後の様子を目の当たりにすることになります。
この論理に従えば、マルチプレイヤー間の相互作用という難題も容易に解決される。なぜなら、基盤には視点に依存しない統一された世界状態が存在するため、複数のプレイヤーがこの状態を共有し、それぞれが自身の視点をレンダリングすることができるからだ。プレイヤー同士、あるいはプレイヤーとNPCの間で、初めて真のリアルタイムな相互作用が実現する。これは、今日のマルチプレイヤーゲームにおける「サーバー・クライアント」アーキテクチャと本質的に同じ仕組みである。
さらに、このモデルには、計算リソースのコストが劇的に低下するという、ビジネス上の大きなメリットもあります。デカップリングアーキテクチャの下では、レンダリング層は計算リソースを多く消費する一方、下層の状態推演は非常に軽量な高次元計算です。これにより、動画生成アプローチにおける「各視点、各オンラインユーザーごとにピクセル単位で画面を個別に生成する必要があり、ユーザー数に応じて計算リソースの消費が指数関数的に急増する」という懸念が直接的に解消されます。
もちろん、このアーキテクチャは現時点ではまだ比較的初期の段階にあります。しかし、「Project Eden」のデモでは、長時間にわたる一貫性のある環境移動、マルチプレイヤーによるリアルタイムの相互作用、そして確定的なメカニズムの判定といった、難題を一つずつ克服しようとしている様子がうかがえます。
03
転換点が訪れる前に、ゲーム開発においてどのような役割を果たせるのか？
ここまで読むと、思わず息をのんでしまう。この技術が本当に成熟したら、ゲーム制作にエンジンは不要になってしまうのだろうか？
曹炎培氏は、ワールドモデルがゲームエンジンの代わりとなるのは、非常に長期にわたり、多くの困難を伴う目標だと私に語った。ワールドモデルによる状態遷移のシミュレーションにおいて、計算効率、安定性、制御性がリアルタイム応答の閾値を完全に超えて初めて、そのような劇的な変化が起こるのだ。
現時点では、いつ状況が一変するのかを議論するよりも、転換点が訪れる前に、この技術がゲーム開発プロセスにどのように組み込まれていくのかに注目したほうがよいだろう。
現段階では、この疎結合アーキテクチャを分解し、既存のゲームパイプラインに個別に組み込むことができます。例えば、バックエンドのレンダリングモデルは「生成型レンダリング」の方向で活用することが可能です。あなたがゲームデザイナーであり、美術やプログラミングのスキルがそれほど高くないと仮定しましょう。まずは非常にシンプルなブロックアウト（グレーモデル）を使って空間やステージ構造を組み立て、ゲームプレイを検証することができます。その後、レンダリングモデルを使って、この地味なグレーモデルを、あなたが望む任意の画風でレンダリングさせることができます。
ライティング、精細なアセット制作、さらには複雑な物理現象の表現に至るまで、すべてを後工程のモデル制作に委ねる。
中小規模のチームにとって、これは高額なアート制作のコストを、たった1回のモデル呼び出しに削減することにほぼ等しい。画風は、プロジェクト開始前から固定せざるを得なかったコスト上の制約から、リリース前にワンクリックで切り替えられる「スイッチ」へと変わるのだ。
同時に、フロントエンドの状態予測モデルを単独で切り出して「インテリジェントステートマシン」として活用することで、開発者はスクリプトの記述やステートマシンの作成といった繰り返しの作業を大幅に削減できます。例えば、ドアが蹴られた際に何度回転するか、どのくらいの速度で回転するか、跳ね返って人にぶつかるかどうかといったことは、アニメーションやステートマシンがモデルから直接推論して出力できるため、プログラマーがコードを一行一行書いて指定する必要はありません。
技術の成熟に伴い、次の段階として、ワールドモデルに「動的かつオープンなシーン」の一部を任せるようになります。この段階では、ゲーム本体は依然として従来のコードによって駆動されますが、特にオープンで複雑であり、かつ高い確定性をそれほど必要としない動的なシーンにおいては、ワールドモデルを呼び出して、オフラインまたは小範囲でのシミュレーションを行うことが可能になります。
例えば、ランダムな嵐がシーンに与える破壊や、多数のNPC間の自発的な相互作用などです。決定性が求められる部分は従来のコードに任せ、開放的でランダム、かつ網羅的に列挙することが困難な動的な部分はモデルに委ねる――これが現段階において最も適切なアプローチです。
そして、臨界点を越えて初めて、ハードコーディングの全面的な置き換えという最終局面を迎えることになる。
「我々は、ハードコーディングされたロジックや物理的な定義に代わって、より汎用的で、参入障壁の低いニューラルネットワークを活用したいと考えています。」曹炎培氏は、理想的な状態では、将来、コードで一つひとつ指定される煩雑なロジックはすべて、大規模モデルに基づくデータ駆動型の推論へと変わり、開発のハードルと効率は飛躍的に向上すると述べた。
とはいえ、ワールドモデルと従来のエンジンの関係は、必ずしも「一方が消え、もう一方が生き残る」という排他的な代替関係とは限らない。Epicの創業者であるティム・スウィーニーがかつて示した的確な見解の通り、将来的には「エンジン中心のAI」と「ワールドモデル中心のAI」が互いに追い抜き合い、融合し続け、いつの日か両者が一体化することになるだろう。
VASTが現在取り組んでいるのは、まさに「世界モデル中心」という道を可能な限り突き進むことであり、転換点が訪れるまでの各段階において、ゲーム業界に実用的なツールキットを提供し続けている。
おわりに
世界モデルが真の技術的完成度と産業への実用化へと進むには、依然として段階的なプロセスが必要である。計算効率、物理法則の絶対的な正確性、そして広範囲にわたるシナリオシミュレーションの安定性という点において、ニューラルネットワークエンジンにはまだ乗り越えるべき技術的な課題が数多く残されている。
しかし、このエンジンの稼働を支える3Dアセットは、ますます充実しつつある。VASTの中核事業である自社開発の「Tripo」シリーズ3D大規模モデルは、ここしばらく急速なイテレーションを重ねており、今年3月にリリースされた「Tripo H3.1」および「Tripo P1.0」モデルは、幾何学的精度と生成速度の両面で、産業レベルでの実用化が可能となった。
最近、同社はTripo Studioに8K AIテクスチャ生成アルゴリズムを導入し、従来は数日かかっていた手作業による描画やスキャン工程を2分以内に短縮したほか、3段階の粒度制御に対応した「スマートパーツ分割V2」をリリースし、生成された3Dアセットを自動的にパーツ分割して、そのまま下流のパイプラインに送り込めるようにした。
さらに、VASTはオープンソースを通じて業界の共同開発を推進しており、これまでに累計30件以上のプロジェクトをオープンソースとして公開しています。これには、清華大学や香港大学などの大学と共同でオープンソース化したTripoSplat、AniGen、SkinTokens、LegoACEなどが含まれ、動的解像度や自動ボーンバインディングなど、多くの最先端分野を網羅しています。
アプリケーションの面では、同社のワンストップワークベンチ「Tripo Studio」には現在2,000万人のクリエイターが集まっており、テンセント、ネットイーズ、アリババ、バイトダンスなどの大手企業と緊密な提携関係を築いている。
VASTの技術ロードマップにおいて、ワールドモデルと3Dアセットの大規模モデルは孤立した存在ではなく、「双輪駆動」による閉ループを形成しています。同社の長期的なビジョンは明確であり、「UGCインタラクティブプラットフォームと3Dコンテンツエコシステムの基盤」となることを目指しています。
この基盤の上で、プロのデベロッパーであれ一般のクリエイターであれ、将来的にはより低い参入障壁とより高い自由度をもって、インタラクティブなデジタル世界を創造し、探求できるようになるかもしれません。
ニューラルネットワークエンジンの成熟には確かに時間がかかりますが、基盤となる3Dアセットが充実し、デカップリングアーキテクチャが確立されるにつれ、データ駆動型でリアルタイムなインタラクションが可能なデジタル空間が、概念から現実へと移行しつつあります。そしてVASTは、その実現に向けて技術面およびエコシステム面での基盤整備を進めています。
原创文章，作者：游茶妹儿，禁止转载：https://youxichaguan.com/ja/archives/217746
