Runwayが「Solaris」発表、コード不要でアプリ画面をリアルタイム動画生成

ウェブサイトを開いたとき、裏でHTMLやJavaScriptなどのコードが1行も動いていない世界を想像してみてください。画面に映るボタンやテクスチャ、光の反射に至るまで、すべてAIがユーザーのクリックに合わせて毎フレームリアルタイムに動画として生成している状態です。

Runwayが発表した「Solaris」は、同社が世界初を謳う「インターフェース世界モデル（Interface World Model）」です。現在、アーリーアクセスとしての提供が始まっています。

コードという「中間表現」をなくす試み

従来のソフトウェア開発では、デザイナーが作った画面をエンジニアがコードに変換し、ブラウザやOSがそれを描画します。Runwayはこの変換プロセスこそが表現力を狭め、開発者が事前に想定した操作しか受け付けない硬直したインターフェースを生んでいると指摘します。

Solarisはこの中間コードを完全に排除しました。同社の動画生成モデル「Gen-4.5」をベースに、クリックやドラッグといったユーザー入力を次のフレームを生成するための条件付けとして直接扱います。

リアルタイムな操作感を維持するため、ノイズ除去ステップを蒸留し、自己回帰型で前後のフレームを高速につなぐ仕組みを採用しました。解像度は720pを維持しつつ、ユーザーが違和感を抱きにくいコンマ数秒の応答速度を目指しています。

システムは言語モデルと世界モデルの二人三脚で動きます。言語モデルがユーザーの意図を解釈して次のシーン展開を指示し、世界モデルがそれを映像として描画します。デモでは、仮想の服を自分の写真の上にドラッグして試着したり、ボウルに具材を放り込んでサラダを組み立てたりする様子が公開されました。

また、この仕組みはAIエージェントの訓練環境としても期待されています。既存の大規模言語モデルは特定のサイトの構造に過剰適応しがちですが、常に動的に変化するSolarisの画面を使えば、未知のUIにも柔軟に対応できるエージェントを育てられるとしています。

社内テストでは、Claude Opus 5がコード化したウェブページとの比較において、シーン内の挙動で71パーセント、指示追従性で61パーセントの確率でテスターがSolarisを選んだとされています。ただし、文字の可読性の低さや、長時間の操作による画面の破綻、もっともらしく間違った画面を生成してしまう課題も残されています。

なぜ重要か

Runwayのアプローチは、ソフトウェアの根本的な前提を覆そうとする極めて挑戦的な試みです。コードを生成して実行させるのではなく、インターフェースそのものを映像として hallucinate（幻覚）させるという発想の転換には目を見張るものがあります。

一般的なユーザーや開発者にとって、今すぐ実務に導入できる段階ではありません。毎フレームをリアルタイムレンダリングする計算コストやサーバー負荷は、従来の静的ウェブ配信に比べて依然として桁違いに重いからです。まずは先端的なプロトタイプや実験的なショーケースとしての活用にとどまるでしょう。

私たちが評価するのは、Eコマースやシミュレーションにおける「説明書のない直感的操作」を拓く可能性です。一方で、最大の懸念は確実性の欠如にあります。ソフトウェアでボタンを押す行為は、決済や送信といった決定論的な処理を伴うのが通例です。確率的に動く動画モデルが、どこまで誤作動なく信頼性を担保できるのか、そのハードルは決して低くありません。