中国の Tencent の AI 部門 Hunyuan は日本時間 10 月 24 日、文章やカメラの動きの指示に応じて動画の世界を少しずつ生成し続ける「世界モデル」Hy-Nomas を、Apache 2.0 のライセンスで公開した。重みと学習・推論のコードが GitHub と Hugging Face に置かれ、軽量化した設定ではゲーム向けの GPU、NVIDIA GeForce RTX 4090 の 1 枚で動くとしている。
動画を生成する AI は、これまで大きな会社のサーバーの向こうにあった。その一つが、条件つきで家の机の上に降りてきた。何を作れるかより先に、何を用意すれば動くかを知っておきたい公開だ。
Hy-Nomas は何をするモデルか
ふつうの動画生成は、指示を一つ渡して数秒の動画を受け取って終わる。Hy-Nomas は、動画を区切りごとに次々に足していく。公式の例では 1 区切りが 5 秒だ。区切りごとに「花が咲く」「右へ曲がる」と文章で指示したり、カメラの軌道を渡したりでき、前の区切りの内容は KV キャッシュという記憶の仕組みで引き継がれる。言葉で操れる、終わりのない映像の世界に近い。
モデルカードによれば、出力は 720×1280 の解像度で毎秒 24 コマ、1 区切りの生成に使う計算の段数を 8 段まで減らしてある。公式の告知は、長い時間の生成でも世界の記憶を保つことと、ロボット向けなど特定の用途へ小さな追加学習で合わせられることを特徴に挙げる。実際に、実機のロボットアームの映像で学習した追加の重みも一緒に配られている。
Tencent は、ブラウザで試せるデモのページも開いている。GPU を持っていなくても、何ができるかはそこで先に確かめられる。
手元で動かすのに要るもの
「4090 1 枚で動く」には条件が付く。
- OS は Linux で、CUDA 13.0 と対応する NVIDIA のドライバーが要る。公式は Docker の環境を強く勧めている
- 1 枚で動かす設定は、モデルを 8 ビットに縮め、使っていない部品を CPU 側のメモリへ退避させる作りだ。そのぶん、パソコン本体のメモリを多く使い、GPU との受け渡しで待ち時間が増える
- 生成の速さは機材や解像度で変わると、モデルカード自身が書いている。毎秒 24 コマは出来上がる動画の再生速度を指し、作る速さはまた別の数字になる
キーボードで歩き回りながら世界を作り続ける配信型のデモは、データセンター向けの GPU 8 枚の構成で試験されている。家の 1 枚で同じ体験になるわけではない。技術報告もまだ「近日公開」のままで、性能を外から比べる材料は揃っていない。
作る道具が手元にあると、何が変わるか
公開されたのは、完成した遊び道具というより、組み立てるための部品だ。手元の動画を素材にした追加学習の手順まで付いているので、自分の部屋や庭、愛用の道具の映像を覚えさせた世界を作る、という使い方も理屈の上では開かれている。ロボットアームの追加学習は、家庭用ロボットの動きを、実機を動かす前に映像の中で試す方向を指している。
ただし、そこまで行くには GPU と時間と、Linux を扱う手間がかかる。Apache 2.0 は商用を含めて使える条件だが、組み込まれた他社の部品にはそれぞれのライセンスが残る、とモデルカードは断っている。
次に確かめる先は、GitHub のリポジトリで予告されている技術報告だ。公開されれば、ほかの世界モデルとの比較と、1 枚の GPU でどれだけの速さが出るかの数字が、そこで初めて並ぶ。
ことば
- 世界モデル — 過去の映像と指示から、次に何が見えるかを予測して映像を作り続ける AI。ゲームのように操作に反応するため、ロボットや自動運転の訓練を、現実の代わりに映像の中で行う道具としても研究が進む。
- KV キャッシュ — AI が直前までの内容を、計算し直さずに覚えておくための保存領域。Hy-Nomas ではこれを区切りをまたいで持ち続け、同じ世界の続きとして矛盾しない映像を作る役を担う。
あなたなら、机の上の GPU 1 枚で動く映像の世界に、最初に何を作らせるだろうか？
