ReactiveGWM公開：動画生成ゲーム世界モデルのNPCを指示文で操れるように

動画生成によるゲーム世界モデルはこれまでにも登場してきましたが、実際に触ってみると致命的な違和感がありました。画面内のNPCは背景のピクセルに過ぎず、プレイヤーの行動に応じた本格的な攻防を返してくれませんでした。

研究チームは反応型ゲーム世界モデル「ReactiveGWM」をオープンソースで公開しました。プレイヤーのキーボード操作を受け付けながら、同時にプロンプトによって対戦相手のNPCに行動方針を指示できるのが特徴です。

ここで動いているのは既存のゲームエンジンではなく、すべて拡散モデルがリアルタイムに生成している動画です。ReactiveGWMは、その動画生成の世界に対戦相手との本格的なインタラクションを組み込みました。

キー操作とNPCの戦術を分離して注入する

従来の世界モデルは、すべての挙動を1つの動画生成プロセスにまとめていたため、プレイヤーと敵キャラクターの因果関係を正確に学習できませんでした。

ReactiveGWMは、プレイヤーの入力とNPCの行動を完全に切り離しました。プレイヤーの打鍵操作は軽量な加算バイアスとして拡散モデルのバックボーンに注入され、素早いレスポンスを維持します。

一方で、相手NPCの攻撃や防御、牽制といった高度な行動方針は、クロスアテンション機構を通じてモデルに反映されます。『ストリートファイター』の2作品を使った実験では、プレイヤーがコマンド技を繰り出しつつ、プロンプトで指示した通りに相手を防御させたり攻めさせたりすることに成功しています。

他のゲームへそのまま移植できる柔軟さ

この仕組みのもう1つの強みは、汎用性の高さにあります。

クロスアテンションモジュールが学習するのは特定のキャラクターの絵ではなく、ゲームに依存しない相互作用の論理です。そのため、ゼロショットでの戦略転移が可能になっています。

つまり、追加のラベル付けや再学習を行わなくても、別のゲーム向けに作られた市販の世界モデルにこのモジュールをそのまま組み込み、指示通りのNPCを動かすことができます。

ベースモデルには動画基盤モデルのWan 2.2を採用しており、GitHubでコードとローカル実行手順が公開されています。構成は比較的軽量で、一般的な中上位クラスのGPUを搭載したPCで動作します。

なぜ重要か

生成型ゲーム世界において、映像の綺麗さ以上に高い壁となっていたのが物理的な因果関係と相互作用でした。プレイヤーが1人で歩き回るだけの世界モデルから、プロンプトで駆け引きをコントロールできるインタラクティブなシミュレータへと進化させた点に大きな意義があります。

特に評価できるのは、すべてを単一のブラックボックスで解こうとせず、プレイヤー操作とNPCの行動方針を綺麗に分離したアーキテクチャの巧みさです。これにより、個人開発者や中小規模のチームでも、巨大な計算資源を使わずにオープンソースの動画モデルを基盤にした対戦プロトタイプを実験できるようになります。

とはいえ、現時点で実用的なゲームの代わりになるわけではありません。プロンプトによる指示は大まかな戦術の傾向を誘導するレベルにとどまり、動画生成特有の遅延やフレームレートの制約も残っています。それでも、ゲームエンジンを使わずに動画モデルだけで自律的な対戦環境を構築できる可能性を示した一歩として、試してみる価値は十分にあります。