ワールドモデル:AI動画生成の次なるフロンティア

フレームから世界へ

従来の動画生成モデルは、洗練されたパラパラ漫画のアーティストのように機能してまいりました。テキストプロンプトに導かれながら、前のフレームに基づいて次のフレームがどのように見えるべきかを予測いたします。これは機能いたしますが、根本的な制約がございます。

ワールドモデルは異なるアプローチを採用しております。「次のフレームはどのように見えるべきか?」ではなく、「この環境はどのように振る舞うのか?」と問いかけます。この違いは微妙に聞こえるかもしれませんが、すべてを変えてしまうのです。

フレーム予測器にボールが丘を転がり落ちる動画を生成するよう指示すると、トレーニングデータに基づいてそれがどのように見えるかを近似いたします。ワールドモデルに同じことを指示すると、物理法則をシミュレートいたします。重力がボールを加速させ、草との摩擦がそれを遅くし、運動量が反対側の斜面を登らせるのです。

RunwayのGWM-1が実際に行うこと

Runwayは2025年12月にGWM-1(General World Model 1)をリリースいたしました。これは、ワールドシミュレーションへの最初の公開ステップを表すものでございます。このモデルは、物事がどのように見えるかだけでなく、時間とともにどのように進化するかを理解するシステムである「動的シミュレーション環境」を作り出します。

このリリースのタイミングは重要でございます。このリリースは、Gen-4.5がVideo Arenaで1位を獲得し、OpenAI Sora 2を4位に押し下げたことと同時に行われました。これらは無関係な成果ではございません。Gen-4.5の物理的精度の向上(物体が現実的な重量、運動量、力で動く点)は、ワールドモデル研究がそのアーキテクチャに影響を与えた結果である可能性が高いと考えられます。

これがすべてを変える理由

1. 実際に機能する物理法則

現在の動画モデルが物理法則に苦労する理由は、物理法則を見たことはあっても、体験したことがないためでございます。落下する物体が落ちることは知っておりますが、軌道を計算するのではなく近似いたします。ワールドモデルはこの関係を反転させます。

これがSora 2の物理シミュレーションが人々に感銘を与えた理由でございます。OpenAIは物理的理解に多大な投資を行いました。ワールドモデルはこのアプローチを形式化いたします。

2. トリックなしの時間的一貫性

AI動画における最大の課題は、時間経過における一貫性でございました。キャラクターが外見を変え、物体がテレポートし、環境がランダムに変化いたします。モデルがクロスフレームアテンションのようなアーキテクチャの革新を通じて顔を記憶する方法を学んでいる過程を探究してまいりました。

ワールドモデルは、より洗練された解決策を提供いたします。シミュレーションがエンティティを仮想空間内の永続的なオブジェクトとして追跡する場合、それらはランダムに変化したり消失したりすることはできません。ボールはシミュレートされた世界に存在いたします。シミュレーション内の何かがそれらを変更するまで持続するプロパティ(サイズ、色、位置、速度)を持っているのです。

3. より長い動画が可能に

現在のモデルは時間とともに劣化いたします。CraftStoryの双方向拡散は、後のフレームが前のフレームに影響を与えることで5分間の動画に向けて前進しております。ワールドモデルは同じ問題に異なる方法でアプローチいたします。シミュレーションが安定していれば、望む限り長く実行できるのです。

注意点(常に注意点はございます)

ワールドモデルはすべての動画生成問題の解決策のように聞こえるかもしれません。しかし、少なくとも現時点ではそうではございません。

計算コスト

世界をシミュレートすることは高コストでございます。フレーム予測はLTX-2のようなプロジェクトの成果により、消費者向けGPUで実行可能でございます。ワールドシミュレーションは状態の維持、オブジェクトの追跡、物理計算の実行が必要です。これにより、ハードウェア要件が大幅に増加いたします。

世界のルールを学習することは困難

モデルに物事がどのように見えるかを教えることは簡単でございます。数百万の例を示すだけです。モデルに世界がどのように機能するかを教えることは、より複雑でございます。物理法則は動画データから学習可能ですが、ある程度までです。モデルは落下する物体が落ちることを見ますが、映像を見ることから重力定数を導き出すことはできません。

クリエイティブコントロールの課題

モデルが物理法則をシミュレートしている場合、誰がどの物理法則を決定するのでしょうか。時には現実的な重力が必要であり、時にはキャラクターを浮遊させたい場合がございます。ワールドモデルには、クリエイターが非現実的な結果を望む場合にシミュレーションを上書きするメカニズムが必要でございます。

業界の向かう方向

Runwayだけがこの方向に進んでいるわけではございません。拡散トランスフォーマーの背後にあるアーキテクチャ論文は、数か月間この転換を示唆してまいりました。問題は常にいつであって、もしではありませんでした。

エンタープライズの関心は注目に値します。RunwayはUbisoftに早期アクセスを提供し、DisneyはSora統合のためにOpenAIに10億ドルを投資いたしました。これらは、短いソーシャルメディアクリップの生成に興味がある企業ではございません。ゲーム環境をシミュレートし、一貫したアニメーションキャラクターを生成し、プロフェッショナルな精査に耐えるコンテンツを制作できるAIを求めているのです。

クリエイターにとっての意味

• ✓動画の一貫性が劇的に向上
• ✓物理法則を多用するコンテンツが実現可能に
• ✓品質の崩壊なしでより長い生成が可能に
• ○初期コストはフレーム予測より高くなる可能性
• ○クリエイティブコントロールメカニズムはまだ進化中

現在AI動画を制作されている方にとって、ワールドモデルは直ちに採用する必要があるものではございません。しかし、注目する価値はございます。本年初めに公開いたしましたSora 2、Runway、Veo 3の比較は、これらのプラットフォームにワールドモデル機能が展開されるにつれて更新が必要となるでしょう。

現時点での実用的な使用において、違いは特定のユースケースで重要となります。

• 製品ビジュアライゼーション:ワールドモデルはここで優れた性能を発揮いたします。互いに相互作用するオブジェクトに対する正確な物理法則です。
• 抽象芸術:フレーム予測の方が実際には好ましい場合がございます。シミュレートされた現実ではなく、予期しない視覚的出力を求めるためです。
• キャラクターアニメーション:ワールドモデルとアイデンティティ保持技術を組み合わせることで、一貫性の問題をついに解決できる可能性がございます。

より大きな視点

ワールドモデルは、AI動画が成熟していることを表しております。フレーム予測は短いクリップ、視覚的な目新しさ、概念実証デモンストレーションの生成には十分でございました。ワールドシミュレーションは、コンテンツが一貫性があり、物理的に妥当で、拡張可能でなければならない実際の制作作業に必要なものです。

Runwayが100人のチームでベンチマークにおいてGoogleとOpenAIを上回ったことは、重要なことを教えてくれます。適切なアーキテクチャアプローチはリソースよりも重要だということです。ワールドモデルがそのアプローチかもしれません。Runwayの賭けが成功すれば、彼らは次世代の動画AIを定義することになるでしょう。

そして、物理シミュレーションが十分に優れたものになれば、私たちはもはや動画を生成しているだけではございません。一度に一つのシミュレーションで、仮想世界を構築しているのです。