AI動画における物理シミュレーション：モデルがついに現実の法則を理解した理由

バスケットボール問題

OpenAIがSora 2を発表した際、この問題を的確に表現しました。以前のモデルでは、バスケットボールがフープを外しても、ボールは単にネットの中に出現してしまいました。モデルは物語の結末（ボールがゴールに入る）を理解していましたが、その過程を支配すべき物理的制約の概念を持っていなかったのです。

これは些細なバグではありませんでした。根本的なアーキテクチャの限界を示す症状でした。初期の動画生成モデルは視覚パターンマッチングに優れており、個々のフレームはもっともらしく見えても、連続して見ると物理的に矛盾するフレームを生成していました。

物理的理解の三つの柱

物理シミュレーションのブレイクスルーは、三つの相互に関連する進歩に基づいています。ワールドモデル、思考の連鎖推論、そして改良された時間的注意機構です。

ワールドモデル vs フレーム予測

従来の動画生成は、タスクを連続的なフレーム予測として扱っていました。フレーム1からNが与えられると、フレームN+1を予測します。このアプローチは、基礎となる物理状態の明示的な表現を持たないため、本質的に物理法則の処理に苦労していました。

ワールドモデルは根本的に異なるアプローチを取ります。ピクセルを直接予測するのではなく、まずシーンの物理状態（オブジェクトの位置、速度、素材、相互作用を含む）の内部表現を構築します。そしてこの状態を視覚的なフレームにレンダリングします。ワールドモデル分析で詳しく解説しているこのアプローチは、動画生成の考え方におけるパラダイムシフトを表しています。

動画のための思考の連鎖

2025年後半にリリースされたKling O1は、動画生成に思考の連鎖推論を導入しました。フレームを生成する前に、モデルはシーンで物理的に何が起こるべきかを明示的に推論します。

グラスがテーブルから落ちるシーンでは、モデルはまず以下のように推論します。

• グラスの初速はゼロ、位置はテーブルの端
• 重力がグラスを9.8 m/s²で下向きに加速
• 約0.45秒後にグラスが床に接触
• グラスの素材は脆く、床は硬い表面
• 衝撃が破壊閾値を超え、グラスが砕ける
• 破片が運動量保存則に従って飛散

この明示的な推論ステップは、ピクセルが生成される前にモデルの潜在空間で行われます。結果として、視覚的な美しさだけでなく因果関係の連鎖も尊重する動画が生成されます。

大規模な時間的注意

これらの進歩を可能にするアーキテクチャの基盤は時間的注意です。これは動画モデルがフレーム間の一貫性を維持するメカニズムです。現代の動画モデルを支える拡散トランスフォーマーアーキテクチャは、動画を時空間パッチとして処理し、注意がフレーム内で空間的に、またフレーム間で時間的に流れることを可能にします。

現代の動画モデルは動画ごとに数百万の時空間パッチを処理し、物理的一貫性専用の特殊な注意ヘッドを持っています。この規模により、モデルは数百フレームにわたってオブジェクトのアイデンティティと物理状態を追跡でき、以前のアーキテクチャでは不可能だった一貫性を維持できます。

実世界の物理ベンチマーク

物理シミュレーションの品質を実際にどのように測定するのでしょうか。この分野ではいくつかの標準化されたテストが開発されています。

Klingモデルは流体力学で一貫して優れており、特に水のシミュレーションと布の物理が印象的です。OpenAIのSora 2は衝突リアリズムと運動量保存でリードしており、複雑な複数オブジェクトの相互作用を印象的な精度で処理しています。

体操選手テスト

最も厳しい物理ベンチマークの一つはオリンピック体操を含みます。タンブリングする体操選手は複雑な回転力学を経験します。角運動量保存、四肢が伸縮する際の慣性モーメントの変化、踏み切りと着地のための力の適用の正確なタイミングなどです。

初期の動画モデルは、空中の体操選手の印象的な個別フレームを生成できましたが、物理法則では壊滅的に失敗しました。回転がランダムに速くなったり遅くなったりする。着地が不可能な位置で発生する。体が解剖学的制約に違反する方法で変形する。

Sora 2は、正しく処理できるようになったベンチマークとしてオリンピック体操を明示的に強調しました。モデルはルーティン全体を通じて体操選手の角運動量を追跡し、四肢を引き寄せると回転が加速し（フィギュアスケートのスピン効果）、伸ばすと減速します。

素材の理解

物理シミュレーションは動きだけでなく素材特性にも及びます。モデルはどのようにしてガラスが砕けゴムがバウンドすることを知るのでしょうか。水がはね油が溜まることを。金属が塑性変形し木が折れることを。

答えは訓練データとモデルの学習した事前知識にあります。素材が世界と相互作用する何百万もの動画で訓練することにより、モデルは暗黙的な素材理解を発達させます。コンクリートに落ちるグラスとカーペットに落ちるグラスは異なる結果を生み出し、現代のモデルはこの区別を捉えています。

限界とエッジケース

これらの進歩にもかかわらず、AI動画における物理シミュレーションは完璧ではありません。いくつかの既知の限界が残っています。

長期安定性: 物理は5〜10秒間は正確ですが、より長い期間ではドリフトする可能性があります。長時間の動画は保存則に徐々に違反することがあります。

複雑な多体システム: 2つのオブジェクトの衝突はうまく機能しますが、多数の相互作用するオブジェクト（崩れるジェンガタワーなど）を含むシーンはエラーを生じる可能性があります。

珍しい素材: 訓練データのバイアスにより、一般的な素材（水、ガラス、金属）は珍しい素材（非ニュートン流体、磁性材料）よりもよくシミュレートされます。

極端な条件: 非常に小さなスケール（分子）、非常に大きなスケール（天文学的）、または極端な条件（光速に近い）での物理はしばしば失敗します。

クリエイターへの影響

改善された物理シミュレーションは動画クリエイターにとって何を意味するのでしょうか。

第一に、ポストプロダクションでの修正の必要性が大幅に減少します。以前は物理的な不可能性を修正するために慎重な編集が必要だったシーンが、最初から正しく生成されるようになりました。

第二に、新しい創造的可能性が開かれます。正確な物理シミュレーションにより、ルーブゴールドバーグマシン、スポーツシーケンス、アクションシーンを手間のかかる手動修正なしに生成できます。

第三に、視聴者の認識が向上します。視聴者は無意識のうちに物理法則の違反を検出するため、物理的に正確な動画は、その違いを言葉で表現しにくくても、より本物らしく感じられます。

今後の展望

物理シミュレーションはいくつかの軸で改善を続けるでしょう。

より長い時間的一貫性: 現在のモデルは数秒間物理を維持しますが、将来のモデルは数分間維持するようになるでしょう。

より複雑な相互作用: 数百の相互作用するオブジェクトを含むシーンが実現可能になるでしょう。

学習された物理エンジン: 訓練データからの暗黙的な物理ではなく、将来のモデルはコンポーネントとして明示的な物理シミュレーションを組み込む可能性があります。

リアルタイム物理: 現在、物理を考慮した生成は遅いですが、最適化により物理的精度を持つリアルタイム生成が可能になる可能性があります。

テレポートするバスケットボールから現実的なバウンドへの道のりは、AI動画生成における最も重要な進歩の一つを表しています。モデルは、人間のように物理を理解しているわけではないかもしれませんが、少なくともその制約を尊重することを学びました。クリエイターにとって、これは修正の減少、可能性の拡大、そしてより本物らしく感じる動画を意味します。