Google DeepMindが世界モデル「Genie」発表：画像1枚から遊べるゲームを生成

スケッチブックに落書きしたキャラクターが、次の瞬間にはマリオのように画面を飛び跳ねている。そんな未来が現実になりつつあります。

Google DeepMind とブリティッシュコロンビア大学の研究チームは月曜日、画像やプロンプトからプレイ可能な仮想空間を瞬時に生成する新 AI モデル「Genie」を発表しました。「Generative Interactive Environments（生成型対話環境）」の略であるこのモデルは、1 枚の静止画を入力するだけで、操作可能な 2D 横スクロールアクションゲームの世界を作り出します。

コントローラーの操作を教えずに動画だけで学習

従来のゲーム開発や強化学習では、どのボタンを押すとキャラクターがどう動くかという入力データが不可欠でした。しかし Genie は、人間の操作ログを一切使っていません。

研究チームは、ネット上に公開されているゲームの実況動画やスピードラン動画から、20 万時間を超える 2D プラットフォーマーの映像を収集しました。映画や開封動画といった無関係なコンテンツを除外するため、慎重にフィルタリングを施したといいます。

モデルのパラメータ数は 110 億。DeepMind の開発者である Tim Rocktäschel 氏によると、あえて人間側の事前知識に頼らず、圧倒的なデータ規模で学習させたとのことです。

仕組みとしては、映像フレームを離散トークンに変換するビデオトークナイザー、フレーム間の変化からキャラクターの動きを推測する潜在アクションモデル、そして次のフレームを描画するダイナミクスモデルで構成されています。つまり、AI は人間が操作を教えなくても、動画を眺めるだけで「ジャンプ」や「前進」といった一貫した操作概念を自力で獲得しました。

さらにチームは、この仕組みをロボット工学データセット「RT-1」にも適用し、操作可能なシミュレータとして機能することを実証しています。

なぜ重要か

私たちは、Genie がもたらすインパクトは単なる「ゲーム自動生成ツール」にとどまらないと考えています。生成 AI が画像や動画といった鑑賞するコンテンツから、人間が介入して動かせるインタラクティブな世界へと踏み出したからです。

クリエイターにとっての価値は明確です。子どもが描いた絵やラフスケッチを読み込ませるだけで、数秒後にはプレイ可能なプロトタイプが立ち上がります。現時点では解像度や操作感に荒削りな部分があるものの、アイデアを検証するスピードは劇的に変わるはずです。

しかし業界全体にとってより重要なのは、AGI やロボット開発に向けたシミュレータとしての可能性です。自律型エージェントの育成には膨大な試行錯誤の場が必要ですが、人間が手作業で仮想世界を作るのには限界があります。インターネット上の動画から無限に動く世界を生成できるようになれば、エージェントは自動生成された環境の中で半永久的に学習を続けられます。

もちろん、2D から複雑な 3D 空間へと拡張する際の計算コストや、物理法則の破綻といった課題は残ります。それでも、動画を見るだけで世界の動かし方を学ぶ基盤モデルの登場は、AI の進化プロセスそのものを変える可能性を秘めています。