なぜCEOはゲームデータがインターネットよりもAI学習に優れていると確信するのか

人工知能分野において、ChatGPTやClaudeのような大規模言語モデル（LLM）は、テキスト生成と言語理解における強力な能力を証明してきた。しかし、真の汎用人工知能（AGI）の実現という観点では、これらのモデルは力不足であることが明らかになっている。静的なテキストベースの情報処理は得意とするものの、物体が実際の空間でどのように動き、相互作用し、時間とともに変化するかを理解する点では、人間の直感には遠く及ばない。まさにこのギャップに着目し、General Intuitionというスタートアップが独自のアプローチを打ち出した――ビデオゲームのデータに注目したのだ。

なぜインターネットデータは「不十分」なのか？

現在のAI学習は主に、インターネット上の大量のテキスト・画像・動画に依存している。これらのデータは豊富ではあるものの、動的な3次元空間情報が欠如していることが多い。例えば、静止画は「リンゴが木から落ちる」という事実は伝えられるが、重力・衝突・速度といった物理的要素を完全にシミュレートすることはできない。動画データには時間次元が含まれているものの、撮影アングルや解像度の制約から、すべての物理的な詳細を捉えることは困難だ。さらに重要なのは、インターネットデータの多くが人間の視点で記録されており、シーンの因果関係を体系的にモデル化できていない点である。

「言語モデルは、物理学の本を読み漁ったが実験をしたことがない学生のようなものです。公式は暗記できても、斜面を転がるボールの実際の軌道を予測することはできません。」――General Intuition CEOがインタビューで語った比喩。

ビデオゲーム：天然の物理シミュレーション環境

ビデオゲーム、特にAAAタイトルやオープンワールドゲームは、その内部エンジンがリアルタイムで重力・照明・衝突・流体力学などの複雑な物理現象をシミュレートしている。さらに重要なのは、ゲーム世界のすべての物体が明確な3次元座標・運動軌跡・相互作用ルールを持っている点だ。これらのデータは視覚情報だけでなく、デプスバッファ・法線マップ・レイキャストといった低レベルの幾何・物理データも含んでおり、AIの空間推論学習に本質的に適している。

General Intuitionはすでに、ゲームエンジンからこうした「隠れたデータ」を抽出するツール群を開発している。従来の人手によるアノテーションとは異なり、ゲームデータは自動生成され、難易度やシーンを無限に繰り返し・調整することができる。例えば、『グランド・セフト・オート』でAIに自動車の運転を学習させる場合、無限の交通シナリオを取得できるだけでなく、各フレームの車速・ハンドル角度・歩行者の反応といったパラメータを正確に記録することができる。このデータの豊富さと精度は、インターネット上の運転動画を大きく凌駕している。

「常識物理」の壁を突き破る

現代のAIは言語テストで優秀な成績を収めているが、「常識物理」に関する問題では頻繁に誤りを犯す。例えば、「コップをテーブルから押し落としたらどうなる？」とLLMに問えば「コップが割れる」と答えられるが、具体的な破片の飛散軌跡やコップが落ちた際の音の変化を予測させると、答えは曖昧になってしまう。ゲームデータはこの欠点を補うことができる。『Half-Life 2』のような物理エンジンを採用したゲームから物体破砕のフレームシーケンスを抽出することで、AIは異なる材質・速度・角度における物体の実際の反応を学習できる。

こうした能力は、ロボティクス・自動運転・バーチャルリアリティといった応用において極めて重要だ。家庭用ロボットを例にとると、インターネット上の画像だけで「コップを掴む」動作を学習させた場合、現実世界では無数のエッジケース（コップが水で満たされている、持ち手の向きが逆など）に直面する可能性がある。一方でゲームデータは、何千もの異なるコップの配置や注水シーンをシミュレートでき、ロボットが事前に堅牢な制御戦略を習得することを可能にする。

編集者注：ゲームデータは万能薬ではない

ゲームデータが高品質な物理・空間情報を提供してくれる一方で、欠点がないわけではない。まず、ゲーム内の物理ルールはプログラマーが設定した簡略化されたものであり、現実とのズレが生じる可能性がある（例：サンクコスト効果が無視されるなど）。次に、ゲーム内の物体テクスチャ・照明・環境は往々にしてアート的にスタイライズされており、現実世界の視覚とは大きく異なる。さらに、ゲームデータは社会的なインタラクション・感情表現・倫理的意思決定といった領域をカバーすることが難しく、これらは依然として人間世界に固有の複雑性である。

したがって、General Intuitionのアプローチはインターネットデータを置き換えるものではなく、それを補完することを目的としている。将来のAGIは、言語テキスト・現実世界のセンサーデータ・仮想ゲーム環境の三者から同時に学習することで、初めてクロスドメインの知的汎化を実現できるかもしれない。同社の賭けが示すのは、より広い潮流でもある――AIの学習は「データ量の競争」から「データ品質と多様性の競争」へと移行しつつあるのだ。

課題と展望

現在、General Intuitionはすでに複数のゲームスタジオと提携し、『Minecraft』や『Roblox』などのオープンワールドゲームの低レベルデータストリームを取得している。同社は2027年にゲームデータに基づく初の空間推論モデルを発表し、ロボット操作システム向けに一部の学習スクリプトをオープンソース化する計画だ。成功すれば、AIの学習データ産業全体が再編される可能性がある――世界で年間生産されるゲームデータ量は、インターネット動画データ量の数十倍に達するのだから。

もっとも、業界観察者たちは、学習データの著作権問題が依然として未解決の障壁であると指摘している。ゲーム会社がエンジンデータの第三者による抽出を許可するかどうかは、新たなライセンス契約や法的枠組みを必要とする可能性がある。また、ゲームデータが意図せずバイアスを増幅させる懸念もある――例えば、多くのゲームで暴力シーンの割合が過度に高く、AIが現実世界に対して不合理な期待を抱くようになる可能性がある。

それでも、ゲームデータでAIを学習させるというアイデアは、DeepMindやOpenAIを含む複数のトップ機関の注目を集めている。AGIへの道は広大なウェブのテキストの中にあるのではなく、仮想世界の一フレーム一フレームのコードの中に隠されているのかもしれない。

本記事はTechCrunchより編訳