ゲーム制作における「肉体労働」の時代は、AI 3Dによって終わりを迎えつつある

この1年余りの間、AIの進歩は想像を絶するほど速いものだった。

特にプログラミングの分野では、コードを書くという行為そのものが再定義されつつある。プログラミングの知識がない初心者でも、AIに自分のアイデアを伝えるだけで、数分以内にウェブページを作成したり、簡単なゲームを作ったり、さらにはエラーもついでに修正してもらうことさえ可能だ。

コードの面では、AIエージェントはゲーム開発のほぼあらゆる分野に浸透しています。しかし、制作のもう一方の側面である3Dアートには、依然としてかなりのハードルが存在します。AIはイラストを描いたり動画を生成したりすることはできますが、エンジンに読み込め、ボーンをアタッチでき、ゲーム内で実際に動く3Dモデルが必要となると、往々にして行き詰まってしまいます。

見栄えの良い3Dモデルと、実用的な3Dモデルは別物です。後者は単なる視覚的なイメージではなく、理解されるべき空間構造そのものです。数十万もの頂点がどのように配置され、どのように面を形成しているか、また配線が合理的かどうかといった点が、そのモデルが編集可能か、バインド可能か、エンジンでレンダリング可能かを直接決定づけます。

過去3年間、AIは画像、動画、コードの分野で次々と急速な進歩を遂げてきたが、3Dだけは依然として最も攻略が難しい分野として広く認識されていた。しかし、ここ半年ほどで、この難関を突破するペースも明らかに加速している。

9月1日、AI 3D大規模モデルを手掛けるVAST社は、シリーズBおよびシリーズB+の資金調達を完了したと発表した。調達総額は約30億元で、Jingwei Venture Capitalがリードインベスターを務めた。これまでの数回の資金調達を含めると、設立からわずか3年の同社は、半年足らずで累計約50億元の資金を調達したことになる。

投資家の一覧にも特に注目すべき点がある。過去半年間、このAI 3D企業の株主名簿には、数多くのゲームメーカーが相次いで名を連ねており、A3ラウンドでは「4399」「貪玩」「巨人ネットワーク」、BラウンドおよびB+ラウンドでは「完美世界」「三七互娯」「延趣ゲーム」などが含まれている。ゲーム業界の資本が、このように一社の上流技術企業に集中して投資を行うことは、あまり見られない。

資金調達と並行して発表されたのは、VAST傘下の3D大型モデル「Tripo」の最新バージョン「P2.0」だ。これは、ネイティブな四辺形メッシュトポロジーを実現した世界初のAI 3Dベースモデルである。この新モデルを簡単に試用したTAの専門家と話してみたところ、AI 3Dの分野では、まさに大きな変革が訪れようとしているのではないかという印象を受けた。

01

P2.0以前、なぜいつも誰かにAIの「後始末」をさせなければならなかったのか

今回の新モデルがどこが異なるのかを明確に説明するには、まず最も基本的な問題に立ち返る必要があります。つまり、ゲーム内の3Dアセットは、一体どのように作られているのか、そしてどこでつまずきやすいのか、ということです。

ゲーム内の3Dキャラクターを例に挙げると、一般的な制作工程は次のような一連の流れとなっています：

まず原画設定を行い、造形とスタイルを決定します。次に、ディテールを極限まで追求し、ポリゴン数が極めて多い精細なハイポリゴンモデルを作成し、これを使って形状を彫り出します。続いて重要な工程である「リトポロジー」を行い、高ポリゴンモデルを中・低ポリゴンモデルに変換し、数十万面にも及ぶ構造のない断片的な面を、配線が整ったモデルに再構成します。その後、UV展開を行い、立体表面をまるでみかんの皮をむくように平面に広げ、テクスチャを貼り付けやすくします；さらにテクスチャやマテリアルを作成し、ボーンのバインディング、スキニング、アニメーション制作を行い、最後にゲームエンジンにインポートします。

ホワイトモデルの上の線枠が「配線」です。面の配置方法は、モデルを編集、バインド、レンダリングできるかどうかを直接決定します。

この中で、クリエイティブな要素と人件費のバランスは全く合っていない。設定、モデリング、アニメーションはクリエイティブな要素が高い部分である。一方、リトポロジー、UV展開、リギング、スキニングといった工程は、どちらかといえば翻訳作業や肉体労働に近く、新しいものを生み出すことはほとんどないが、経験に極めて依存しており、誰もが認める最も骨の折れる工程である。とりわけリトポロジーは、プロセス全体の中で最もコストがかかり、最も厄介で、誰もやりたがらない工程であり、1つのアセットを手作業で処理するには、しばしば数時間から数日かかる。

さらに厄介なのは、それが制作工程のちょうど真ん中で行き詰まってしまっていることだ。配線に少しでも問題があると、アニメーターが作業を引き継いだ瞬間に不自然さが露呈し、その後、トポロジーの修正、UVの再設定、テクスチャの再適用、リギングのやり直し、アニメーションの再作成といった一連の作業を遡って行わなければならなくなる。まさに「一か所を直せば、他の部分にも影響が及ぶ」という状況だ。

その結果、チーム内で最も高給でトップクラスのアーティストが、本来なら機械が担うべき単純作業に膨大な時間を費やすことになってしまう。お金も時間も、最も創造性のない、しかもミスが許されない作業に費やされてしまうのだ。

しかし、ここ数年、AI生成モデルが最も得意としているのは、まさにこの中で最も簡単で表面的な作業、つまり高解像度モデルの作成や外形作りであり、一方で、実際に時間と予算を食いつぶすような再トポロジー、リギング、分割といった作業は、メッシュの品質が不十分であるために、さらに多くの人手による手直しが必要になる可能性さえある。

問題は、ハイポリと中・ローポリという2つの工程の目的が異なる点にある。ハイポリでは外観がより重視され、肌のシワや鎧の傷跡など、ディテールは多ければ多いほど良い。ポリゴン数やエッジの配置、トポロジーが多少乱れていても問題はない。そもそも直接使用されるものではないからだ。AIの視覚モデルは、本来「似ているか」という問題を解決することに長けている。

中低ポリゴンモデルは、重トポロジーとは正反対で、単に「似ている」だけでなく、「実用性」が求められます。ポリゴン数を予算内に抑え、配線は構造に沿って行い、関節部分にはループを残しておく必要があります……そのためには、多少の外観を犠牲にしても構いません。これは「視覚」から「構造」への一歩ですが、従来のAIは3Dを「点がたくさんある図」として生成していたため、その道のりの前半しか踏破できていませんでした。

その結果、これまでに生成されたモデルについては、往々にして人間が後始末をしなければならなくなっていた。AIを真にパイプラインに組み込むには、ただ一つの道しかない。それは、生成の瞬間に、産業標準に準拠した構造を直接出力させることだ。

P2.0で四角面モデルを直接生成するのは、まさにこの問題を解決するためである。

P2.0で直接生成されたスチームパンク風のキャラクター

四角面は、映像やゲーム業界で数十年にわたり採用されてきた標準です。これが「標準」である理由は、三角面よりも「高度」だからではなく、後工程での処理が容易だからです。連続した配線を作りやすく、サーフェスの細分化時の結果が予測しやすく、キャラクターアニメーションの制作にも適しています。これまでAIは四辺形ポリゴンを生成することができませんでした。なぜなら、まずランダムなポリゴンを生成し、アルゴリズムによって再トポロジー処理を行って四辺形ポリゴンに変換する必要があったからです。これは、パイプライン全体の中で最もコストがかかり、誰もやりたがらない工程に立ち戻ることになり、時間がかかり、ディテールも失われてしまうからです。

四面体の方が連続した配線を作りやすいため、キャラクターアニメーションに適している

P2.0の最大の違いは、四辺の面が生成後に修正されるのではなく、生成プロセスの中で直接形成される点にある。その背景には長年にわたる技術の蓄積があり、彼らは独自開発の「Nexus」フレームワークを保有している。業界の主流の手法は、3Dモデルを一連の順序に分解し、文字を一つずつ並べて文章を書くように、1文字ずつ生成していくものです。一方、Nexusは、まず順序を決めてから生成するという手法をとらず、まず全体を生成し、その後で細部を補完していきます。

平たく言えば、P2.0で生成されるのは、もはや無秩序なポリゴンモデルではなく、エンジンに直接読み込め、編集可能で、分割可能な工業用アセットです。つまり、生成されたその瞬間から、最もコストがかかり、最も手間のかかる工程を省略できるのです。

原画を1枚入力するだけで、四辺に整然と配線されたキャラクターの頭部モデルが直接出力される

開発者からは、「トポロジーの再構築だけで節約できる時間だけで元が取れる」という声が寄せられています。また、3Dアーティストからは、P2.0が武器、乗り物、建築オブジェクトなどのハードサーフェスアセットにおいて著しい向上を見せているとの指摘もあります。表面が滑らかで、密度がディテールに正確に対応しており、エッジも鮮明でシャープです。

02

人用、そしてエージェント用

先ほどは、人間がAIによる3D生成をいかに効果的に活用できるかについて話し合いました。しかし、現在の開発プロセスにおいては、AIの関与が非常に深く、コードの記述、エンジンの調整、実行結果に基づくバグ修正といった作業の多くを、AIエージェントが人間の代わりにこなしています。多くの場合、実際にAI 3D生成モデルを呼び出しているのは人間とは限らず、エージェントである可能性もあります。

しかし、エージェントが3Dモデルをうまく活用できるかどうかはまた別の話だ。というのも、エージェントと人間がモデルを「理解」する方法は、根本的に異なるからだ。

例えば、人間はモデルを一目見るだけで、「これは魚で、あれは尾びれだ」と分かるが、それは目と経験によるものだ。エージェントは違います。目を持たず、読み取れるのはコードとバイトだけであり、モデルに関する知識はファイル内のデータからしか得られません。そして、モデルがデータとして表現されると、それは頂点座標や幾何学的形状の集まりに過ぎず、「どの部分が魚で、どの部分が尾か」といった意味的な情報は含まれていません。

そこで、エージェントはモデルを前にして、目次も章のタイトルもない本を渡され、その中から特定の章や段落を直接修正するよう求められたような状態になり、どこから手をつければよいのか全く見当がつかない。3Dデータをコードに変換してエージェントに与えるといった応急的な方法もあるが、変換の過程で情報が失われやすく、ポリゴン数が高くなると、エージェントの処理能力を超えてしまうことも多い。

もう一つの制約は、エージェントの作業ペースです。エージェントは一度で完成させるのではなく、「生成、確認、修正、再生成」という迅速なサイクルを繰り返しており、まるで二人が向かい合って案を修正し合うようなもので、数分ごとに一サイクルが回ります。生成のたびに、人間による審査やアノテーションのために長時間待たなければならないと、効率は完全に崩れてしまいます。

したがって、エージェントに3Dを使用させるには、モデルの見た目の良し悪しとは関係なく、一連の必須条件があります。トポロジーが整理されていなければ、構造を明確に把握したり、部品を区別したりすることができません。ポリゴン数は制御可能で軽量である必要があり、そうして初めてWeb上でリアルタイムレンダリングが処理に耐えられるのです。さらに重要なのは、モデルが意味論に基づいて個々のパーツに分解できることです。もし名前も付いていない部品の箱のような状態では、エージェントはどのパーツを拾えばいいのか、どのようなロジックを記述すればいいのか判断できません。

エージェントがモデルをうまく活用するための3つの必須条件：整然としたトポロジー、管理可能な面数、明確なパーツ分け

これは、VASTが現在取り組んでいる課題でもあります。特に、最後の項目である「部品に名前を付ける」という点について、プログラミング可能な精度で実現しています。

精度の向上に伴い、Tripo P2.0が生成する3Dモデルの「接続成分（Connected Component）」の細かさも同時に向上し、部品の分割がより合理的かつ意味的に整合したものとなっています。

風車は、意味的なラベルが付いた個別の部品に分解された

前述のネイティブ4面モデルと、面数に基づく見積もりを基に直接出力するという仕組みにより、VASTは3D生成モデルをエージェントにとって扱いやすいものに真正面から実現しました。四角形メッシュにより構造の境界が明確になり、エージェントは「どこが部品か」を判別できます。面数の制限により、ターゲットプラットフォームに合わせて動作可能なボリュームが直接生成されます。また、セマンティックな部品分割により、エージェントは部品に名前を付け、コード内でその位置を特定し、部品レベルのインタラクションロジックを記述できるようになります。

公式のデモを例に挙げると、VASTのチーフサイエンティストである曹炎培氏は、P2.0を用いて機械蜘蛛を生成し、さらに大規模言語モデルに各構成部品に名前を付けさせ、動作ロジックを記述・デバッグさせ、蜘蛛の各部品ごとのアニメーション制御を実現した。

外部の開発者たちの手によって、この機能はすでに実際に動作する製品として形にされています。ある開発者は、GPTとTripoを組み合わせて、インタラクティブな人体器官の教育用ウェブページを作成しました。このページでは、各器官をクリックしたり、回転させたり、詳しく調べたりすることができ、その作品はOpenAIの共同創業者であるグレッグ・ブロックマン氏によってリツイートされました。

クリーンで読みやすいモデルに加え、エージェントが自らコードを記述し、レンダリング検証も自ら行う。これにより、将来的にゲーム開発と検証の効率が数桁向上することは容易に想像できる。

03

「ダンザイ工房」から、メーカーによる投資へ

AI 3Dモデルの能力は急速に進歩しており、それに伴いその応用分野も徐々に広がりつつある。

7月30日、『エッグパーティー』の「エッグワークショップ」に3Dモデルの分解機能が追加され、その技術はVASTによって提供されたものである。ワークショップでモデルを生成または選択すると、わずか数ステップで複数の独立したパーツに分解でき、個別に移動、回転、拡大・縮小、削除が可能で、他のパーツと自由に組み合わせることもできます。

生成モデルをワンクリックで個別のパーツに分割し、それぞれを個別に移動、回転、拡大・縮小できます

この機能が追加されたことで、AIが生成したモデルはもはや一つの塊ではなく、編集・再構成・単独使用が可能な素材となりました。その結果、城はもはや単なる「城」としてだけ存在しなくなりました。城壁を再配置すれば、出口を探す必要がある迷路を作ることができ、塔をさまざまな高さに配置すれば、連続ジャンプが必要なパルクールコースを構成することも可能です。以前は、1つのモデル全体に1つの用途しかなかったが、分解することで、より多くのマップに組み込み、より多くの機能を担えるようになった。

実験室でのデモと、月間アクティブユーザー数が1億人を超える本番環境とは、まったく異なるものです。モデル提供者にとって、この機能を『蛋仔』に実装するには、技術そのものに加え、多くのエンジニアリング上の難題を乗り越える必要がありました。『蛋仔』の月間アクティブユーザー数は安定して1億人を超えており、膨大な数のプレイヤーによる同時接続、モバイル端末のパフォーマンス制約、クリック後の迅速なページ復帰といった課題がある中、AI機能はこの環境下で品質、速度、コストという三重の試練に同時に耐えなければならない。

実は、VASTとNetEaseの提携は以前から続いていました。2025年初頭、Tripo APIを基盤として、『燕雲十六声』に「万物太極」機能が実装され、プレイヤーは一言でゲームアイテムを生成できるようになりました。2025年9月には、Tripoが「蛋仔工坊」に統合され、プレイヤーが参考画像をアップロードし、コマンドを入力するだけで、カートゥーン調のモデルが生成され、そのままマップ作成に活用できるようになりました。そして今回の機能分割のリリースにより、提携は「AI生成」から「AI編集」へと進化しました。ここ数年、その一歩一歩が、前段階よりもさらに深く網易のゲーム制作プロセスに根付いている。

さらに、Tripoはより多くのメーカーのワークフローに導入されています。これまでに、同社は世界中の大手ゲームメーカー数社に対し、コンセプト生成からアニメーションバインディングに至るまでの全工程にわたるサポートを提供してきました。これにより、シーンアセットの迅速な構築、ステージのプロトタイプ検証、複数の案の比較検討が可能となり、総合的な効率を50％以上向上させています。

製品以外にも、資本が参入している。過去半年間、4399、貪玩、巨人ネットワーク、完美世界、三七互娯、延趣ゲームが相次いでVASTに出資した。ゲームメーカーはAI 3Dにとって最も重要な下流市場の一つであり、上流と下流が同時に合流することは、多くの場合、技術が「使える」段階から「使いやすい」段階へと移行し、商業的なリターンが紙上の数字から生産現場における実際の利益へと変わっていることを意味する。

おわりに

ここ数年、AI 3D分野における競争は、「どれだけ美しい画像を生成できるか」という側面から、「実用化できるか」という点へと重点が移りつつあり、VASTはAI 3D生成技術を、ゲーム業界の産業標準に一歩ずつ近づけつつある。

もちろん、AIによる3D生成技術をゲーム業界の生産ラインに真に組み込むには、まだ解決すべき課題が数多く残されています。しかし、この記事の冒頭でも述べたように、画像、動画、コードの分野で次々と先行してきた後、3Dこそが最後の難関となるかもしれません。現在、この難関は目に見えて崩れ始めているようです。

VASTにとって、これはまだ始まりに過ぎません。そのより長期的な目標は、「世界を作る」というハードルを、誰もが手軽に始められるほど低くすることです。将来、誰もが自分だけのゲームを作れるようになることを、本当に期待してもいいのかもしれません。