NVIDIAが「Gamma World」発表：マルチエージェント対応で24fpsの共有世界をリアルタイム生成

ここ最近の世界モデルは急速に進化していますが、実態は「シングルプレイヤー専用」の域を出ていませんでした。

1人の入力に合わせて次のフレームを生成するのは得意でも、画面内にもう1人プレイヤーを増やしたり、協調動作するロボットを追加したりすると、視点の一貫性が崩れ、計算コストも跳ね上がってしまうからです。

NVIDIAはマルチエージェント対応の対話型世界モデル「Gamma World」を発表しました。

あらかじめ3Dポリゴンや幾何形状を用意することなく、複数のプレイヤーやロボットのリアルタイムな操作に応じて、共有された仮想空間を24fpsで破綻なく生成し続けます。

計算量を爆発させずに「複数人」を扱う仕掛け

複数のエージェントを同じ世界に同居させる最大の難関は、注意機構（Attention）の計算量とエージェントの識別です。

参加者全員のトークン同士を総当たりで計算させると負荷は二乗で膨らみ、かといって固定の識別枠を割り当てると順序の入れ替えに対応できなくなります。

Gamma Worldはこの課題を2つのアプローチでクリアしました。1つ目が「シンプレックス回転エージェント符号化（Simplex Rotary Agent Encoding）」です。3D RoPEをパラメータなしで拡張し、回転角空間内の正単体の頂点として各エージェントを表現することで、固定スロットを作らずにエージェントの対称性を保ちます。

2つ目が「スパースハブアテンション（Sparse Hub Attention）」です。学習可能なハブトークンが仲介役となることで、エージェント間の相互作用計算を二乗から線形（人数に比例するだけ）に圧縮しました。

さらにCosmos-Predict2.5-2Bをベースに、拡散教師モデルからKVキャッシュを備えた因果的生徒モデルへと蒸留することで、24fpsのリアルタイム応答を実現しています。2人プレイ環境から4人への拡張も、追加学習なしでそのまま破綻なく機能したといいます。

なぜ重要か

Gamma Worldの登場は、世界モデルが「動画生成の延長」から「実用的なシミュレーション基盤」へと脱皮する重要な一歩だと私たちは考えています。

現実世界におけるロボット作業やゲームの現場は、常に複数人が関わるインタラクティブな空間です。従来のようにゲームエンジンで一から物理モデルを組むコストを考えれば、生成モデルだけで多人数の物理干渉をシミュレートできる価値は極めて大きいと言えます。

力まかせの巨大計算に頼るのではなく、ハブトークンや幾何学的符号化によって計算負荷を現実的な範囲に抑え込んだ設計は非常にスマートです。

ロボット工学の現場では、複数のアームが協調するような複雑なタスクを、重たい仮想空間アセットなしで生成モデル内だけで学習させられる未来が現実味を帯びてきました。

ただし、今回実証されたのは最大4人までの小規模な環境です。これが数十体規模に拡大した際や、より長期的な物理法則の記憶が求められる場面で、因果蒸留モデルがどこまで一貫性を保てるかは今後の検証を待つ必要があります。