#40 ゲームAIに「攻めて」と言うだけで動く時代

AIで生成したゲーム映像の中で、敵キャラ（NPC）に「攻める」「守る」「距離を取る」といった戦略を言葉で指示できるようにした研究。しかも、その「戦略を理解する部品」だけ取り出して別のゲームに差し込んでも動く、というおまけ付き。

最近、AIが「ゲーム世界そのもの」を映像として生成する ワールドモデル（World Model）​ という技術が話題です。プレイヤーがボタンを押すと、その後のゲーム画面をAIが予測して描く——いわばニューラルネットがゲームエンジンになるイメージです。

ところが既存の手法には大きな弱点がありました。​敵キャラ（NPC）が「背景の一部」として描かれているだけで、プレイヤーの行動に対して戦略的に反応してこないのです。映像としては動いていても、中身は「録画再生に近い」状態。これでは対戦ゲームとして成立しません。著者らは「これは本当のゲームエンジンではなく、ただの受動的な映像レンダラーだ」と問題提起しました。

著者らのアイデアは ​「プレイヤー操作」と「NPCの戦略」を分けて扱う こと。料理に例えると、これまでは具材を全部一緒に煮込んでいたのを、別々の鍋で調理してから合わせる方式に変えました。

具体的には、AI内部の処理を2つに分業させます。

• プレイヤーのボタン入力 → 軽い「下駄を履かせる」ような信号として注入
• NPCの戦略（Offense=攻撃/Defense=防御/Control=距離調整）​ → クロスアテンションという「言葉を映像に紐付ける」仕組みで指示

学習データも工夫しました。従来は「プレイヤーがジャンプしてNPCがしゃがみ…」と全部混ぜて記述していたのを、​NPCの行動と戦略だけを切り出した専用プロンプト に作り替えています。約1万本の対戦動画を VLM（画像も理解できるAI）で自動アノテーションして用意しました。

そして一番のサプライズが ゼロショット転移。あるゲームで学習した「戦略を理解するクロスアテンション部分」だけを取り出し、別のゲーム用に学習済みのモデルに差し込むだけで、追加学習なしにNPCを戦略的に動かせるのです。

『ストリートファイターII』と『ストリートファイターα3』で検証しました。

• 戦略どおりにNPCが動くか：従来モデルは43%程度（ほぼ偶然レベル）だったのが、ReactiveGWMでは 75〜79% に向上。VLM審判による評価。
• プレイヤー操作の正確さ：単一アクションのテストでは ほぼ100% で、戦略制御を加えても操作性が落ちていない。
• 転移の効果：別ゲーム用モデルにクロスアテンションを差し込んだだけのバージョンでも、戦略適合率64〜74%を達成。
• 人間19人によるユーザー調査 でも、戦略の正解率は従来17〜44%に対し、提案手法は77〜86%に到達。

興味深いのは、戦略を制御するクロスアテンションの「信号エネルギー」が全体のわずか 0.71% しかないこと。少ない情報量でも、方向性さえ正しければNPCを動かせるという発見です。

この研究の面白さは「AIゲーム生成」というニッチな話を超えて、​生成AIの制御方法そのものに示唆を与えている点です。

ゲーム業界への直接的なインパクトとしては、​NPCのAI設計コストを大幅に下げられる可能性 があります。従来は対戦相手のAIをルールやステートマシンで一から作り込む必要がありましたが、「攻めて」「守って」と言葉で指示するだけで挙動が変わるなら、開発工数も演出の幅も大きく変わります。さらに「学習部品が他のゲームに使い回せる」という性質は、IPを跨いだAI資産の流用という新しいビジネスを生む可能性があります。

より広い視点では、​生成AIの「役割分離」というアイデア が他分野にも応用できそうです。たとえば動画広告生成で「商品の動き」と「背景の演出」を別々に制御する、業務シミュレーションで「ユーザー操作」と「他のエージェントの方針」を切り分ける——といった具合に。「全部まとめてプロンプトに書く」から「機能ごとに信号経路を分ける」への移行は、制御可能なAIを作る上での重要な設計思想と言えます。

ただし著者自身が認める通り、現状は2D格闘ゲーム限定で、推論速度もリアルタイムには届きません。「観賞できるAI」から「遊べるAI」への道はまだ途上です。