#47 AIが複数視点で同じ世界を描く時代

複数のプレイヤーやロボットアームが「同じ世界」の中で同時に動く様子を、それぞれの視点から矛盾なく映像として生成できるAI世界モデル。学習時は2人分のデータだけで、追加学習なしに4人分のシミュレーションまでこなせることを実現した研究。

AIが映像で「世界」をシミュレーションする「世界モデル（world model）」が注目されている。ゲームの先の展開を生成したり、ロボットの動きの結果を予測したりする技術だ。しかし、これまでの世界モデルはほとんどが「一人用」だった。つまり、1つの操作信号から1つの視点の映像を生成するだけ。

ところが、現実の世界は「みんなで共有している」。ゲームでは複数プレイヤーが協力・対戦し、ロボットは2本のアームで協調作業をする。同じ世界を複数の存在が同時に動かすには、「時間的な一貫性」だけでなく「お互いの視点間での一貫性」も必要になる。この多人数対応を、効率よく、しかも人数を増やせる形で作るのが課題だった。

先行研究「Solaris」は、各プレイヤーに固定の背番号（IDの埋め込み）を割り当て、全員のデータを総当たりで結びつけていた。だがこの方式には2つの弱点があった。総当たりだと人数が増えるほど計算量が爆発的に増えること、そして「背番号」が固定なので、本来は対等なはずのプレイヤーに序列が生まれ、人数を変えると学習し直しになることだ。

そこで本研究は2つの工夫を導入した。1つ目は「シンプレックス回転エージェント符号化」。これは各エージェントを、正三角形や正四面体のような完全に対等な図形の頂点に配置するアイデア。どの2人を取っても距離が等しいので、誰が「1番」かといった序列が生まれない。しかも追加のパラメータは不要だ。

2つ目は「スパース・ハブ注意機構（Sparse Hub Attention）」。全員が全員と直接やり取りする代わりに、​共有の掲示板（ハブ）​を置き、各自はそこに情報を書き込み・読み取りする。これにより計算量が人数の2乗から比例（線形）へと激減する。

マインクラフト風の多人数環境（移動・採掘・戦闘・建築など）での評価では、映像の品質を示すFVD・FID指標（数値が低いほど良い）で、先行研究Solarisを大きく上回った。例えば建築シーンのFVDはSolarisの448.6に対し本手法は264.5と、約4割改善している。

効率面でも顕著で、エージェントを8人に増やした場合、従来の総当たり方式は自己注意処理に約17.6ミリ秒かかるのに対し、ハブ方式は約4.5ミリ秒と4倍近く高速だった。さらに、2人分のデータだけで学習したモデルが、追加学習なしで4人分の同期映像を生成できることも確認された。

この研究の面白さは「対等性」という発想だ。人間社会でも、メンバーに固定の序列をつけると拡張しづらいが、対等に扱えば後から人を増やしやすい。AIの世界モデルにも同じ原理を持ち込んだわけだ。

応用範囲は広い。まずゲーム業界では、複数プレイヤーがリアルタイムで参加する「AI生成のオンライン世界」が現実味を帯びる（本手法は秒24コマで動く）。次にロボティクスで、本研究は左右2本のロボットアームを「2人のエージェント」とみなして協調作業の予測に応用しており、工場や物流での複数ロボット協調の事前シミュレーションに繋がる可能性がある。

さらに、自動運転や物流など「複数の主体が同じ空間で同時に動く」あらゆる場面で、安価に何度もシミュレーションを回す基盤になりうる。「同じ世界を複数視点で矛盾なく描く」技術は、メタバースから産業用デジタルツインまで、共有空間ビジネスの土台になるとみられる。