Runway、汎用ワールドモデル「GWM-1」発表：リアルタイム対話で現実をシミュレート

動画生成AIの競争が激化するなか、Runwayは次のステージへと舵を切りました。

Runwayは12月11日、同社初となる汎用ワールドモデル「GWM-1」を発表しました。先日公開され評価サイト「Video Arena」で首位を獲得した動画生成基底モデル「Gen-4.5」をベースに構築された自己回帰型モデルです。フレーム単位でリアルタイム生成を行い、カメラ操作やロボットの動作コマンド、音声入力によってインタラクティブに環境を制御できます。

同社のCTOであるAnastasis Germanidis氏は、ワールドモデル構築においてピクセルそのものを予測させることが汎用シミュレーションへの最短ルートだと説明しています。十分な計算規模とデータがあれば、モデルは世界の振る舞いや物理法則を内制的に学習できるというアプローチです。

3つの特化モデルとGen-4.5の機能拡充

GWM-1は単一の巨大モデルではなく、現時点では目的に応じた3つの事後学習モデルとして提供されます。これらは将来的に単一の基底モデルに統合される予定です。

1つ目の「GWM Worlds」は、プロンプトや参照画像からリアルタイムに探索可能な空間を立ち上げる環境生成モデルです。720pの解像度かつ24fpsで動作し、幾何学や光の当たり方、物理的な連続性を保ったまま空間内を移動できます。ゲーム制作だけでなく、AIエージェントの探索訓練環境としての利用が想定されています。

2つ目の「GWM Robotics」は、ロボティクス分野に特化したモデルです。専用のPython SDKが提供され、OpenVLAやOpenPiといったロボット制御ポリシーを実機の代わりにシミュレータ内で検証できます。天候や障害物などの条件を変えた合成データを生成し、ハードウェアを壊すことなく反実仮想シナリオを試すことが可能です。

3つ目の「GWM Avatars（Runway Characters）」は、音声駆動型の対話キャラクター生成モデルです。自然な視線移動や表情、ジェスチャーを再現し、長時間の対話でも品質を維持します。こちらはすでにAPIおよびWeb経由で利用可能です。

あわせて、基底モデルのGen-4.5も大幅に強化されました。映像に合わせた環境音や台詞のネイティブ生成および既存音声の編集に対応したほか、複数カットにわたってキャラクターや背景の一貫性を維持したまま編集できる機能が有料ユーザー向けに追加されています。

なぜ重要か

Runwayのこの動きは、クリエイター向け動画ツールという枠組みを自ら超え、ロボティクスや産業シミュレーションという巨大市場へ参入する賢明な一手だと考えられます。

競合のKlingやOpenAIなどが動画生成のクオリティ競争を繰り広げるなか、Runwayは動画基盤を物理シミュレータへと転用する道を提示しました。ロボットの学習において現実世界でのデータ収集は膨大なコストと時間がかかります。GWM-1を検証環境やデータ拡張ツールとして活用できれば、開発効率の大幅な向上が期待できます。

ただし、課題も残されています。動画モデルによるピクセル予測は視覚的にリアルであっても、厳密な物理法則を完全に再現できているとは限りません。シミュレーション内で成立した動作が実世界で破綻するリスクは依然として存在します。外見のリアルさだけでなく、産業用途に耐えうる物理的整合性をどこまで担保できるかが、今後の普及の鍵を握るでしょう。