新清士の「メタバース・プレゼンス」 第88回

1枚の画像から、歩き回れる“世界”ができる　来年のAIは「ワールドモデル」がやばい

360度空間として生成した東京の街並み（筆者作成）

　12月4日に、グーグルDeepMindがワールドモデル「Genie 2（ジーニー2）」を発表してきました。画期的なのは、1枚の画像からインタラクション可能なゲームのような空間を作り出せるところです。現状、ゲームとしてプレイできるものは公開されておらず、動画のみの技術発表ですが、それでもすごいものです。生成AIを使い、インタラクティブな空間を作ろうという試みは、いくつかのアプローチで模索されています。代表的な簡易的な方法で実現しようというアプローチと、本格的なワールドモデルのアプローチを紹介します。

^{※記事配信先の設定によっては図版や動画等が正しく表示されないことがあります。その場合はASCII.jpをご覧ください}

1枚の画像から歩き回れる“世界”ができる

　「Genie 2」では、画像1枚からAIが自動生成した3D環境でゲームをプレイできますが、毎回プレイごとに結果が違ってきます。プレイ時間は最長1分間。キーボード操作でアクションができて、カメラアングルも変えられます。

▲Google Genie 2の紹介動画

　特にすごいのはオブジェクトとの相互作用ができるところです。ドアを開けたり、風船を割ったり、銃で撃ってドラム缶を爆発させたりもできます。はしごを昇り降りすることもできます。物理特性もちゃんと学習していて、水や煙もしっかり描かれます。重力もしっかりとモデル化されて、崖からクルマが落ちるシーンなども描写されます。照明効果さえ出せるようになりました。

生成された船は、毎回プレイするたびに、違う風景を描写する。地形は毎回違う道が出来上がる（Google Genie 2のアナウンスページから）

重力に反応しており、馬がジャンプすると合わせて水が動き（左）、車が崖から落ちると、落下していく（右）（Google Genie 2のアナウンスページから）

ライトも学習しており、インタラクティブに向いた方向に合わせて光が当たる範囲が変化する（Google Genie 2のアナウンスページから）

　仕組みとしては、グーグルの画像生成AIモデル「Imagen 3（イマジェン3）」で作った画像をエンコードして、連続的に画像を生成しています。やろうとすればコンセプトイメージからゲーム空間を作れるわけですね。動画で大量に学習したと書かれていますが、さまざまなゲームのプレイ動画から学習したものでしょう。ただ、グーグルは基本的にオープンモデルを出さないので、競合が後追いすることになるでしょう。