💻 computer science

ReactiveGWM: Steering NPC in Reactive Game World Models

ReactiveGWM は、プレイヤーの操作と NPC の行動を分離して動的かつインタラクティブなシミュレーションを合成する新しいゲーム世界モデルであり、ドメイン固有の再学習なしに異なるゲーム間でゼロショットな戦略転移と制御可能な NPC の応答を実現する。

原著者： Zeqing Wang, Danze Chen, Zhaohu Xing, Zizhao Tong, Yinhan Zhang, Xingyi Yang, Yeying Jin

公開日 2026-05-18

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Zeqing Wang, Danze Chen, Zhaohu Xing, Zizhao Tong, Yinhan Zhang, Xingyi Yang, Yeying Jin

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ビデオゲームをプレイするのではなく、画面を眺めていると想像してください。現代の「ゲームワールドモデル」（ゲーム動画を予測または生成しようとする AI）の多くでは、コンピューターは敵キャラクター（NPC）を木や壁のような背景の一部として扱います。あなたがキャラクターを動かすと、AI は敵を事前に決められた通りに動かすだけで、まるで糸で操られた人形のように描画します。敵は実際に「考え」たり反応したりするのではなく、単にスクリプトに従うだけです。

ReactiveGWM はこれを変える新しいシステムです。敵を小道具ではなく、あなたと共に実際にゲームをプレイできる、賢く独立した対戦相手として扱います。

以下に、いくつかの簡単な比喩を用いてその仕組みを説明します。

1. 「二重チャンネル」のラジオ

ゲームの世界をラジオ局だと考えてみてください。

従来の方法（プレイヤー中心）: ラジオにはチャンネルが一つしかありません。それはあなたの行動に基づいてすべてを放送します。あなたがジャンプすれば、スクリプトに従って敵もジャンプします。敵には独自の声がありません。
ReactiveGWM: このシステムはラジオを 2 つの明確なチャンネルに分割します。
- チャンネル A（あなた）: このチャンネルはあなたの特定の動き（ジャンプ、パンチなど）専用です。AI はこのチャンネルを非常に注意深く監視し、あなたのキャラクターが指示した通りに動くことを保証します。
- チャンネル B（敵）: このチャンネルは敵の「脳」専用です。敵はあなたを眺めるだけでなく、「攻撃的になる」「防御的に戦う」「距離を保つ」といった特定の指示を聞きます。

2. 「ゴーストライター」と「ディレクター」

この 2 つのチャンネルが混同することなく分離されるよう、論文では巧妙なトリックが用いられています。

ゴーストライター（あなたの行動）: ボタンを押すと、AI は「軽量な付加的バイアス」を使用します。これはまるで、ゴーストライターがスクリプトに「さて、プレイヤーがパンチしたぞ」と素早くメモを書くようなものです。これは物語全体を書き換えるのではなく、あなたの特定の行動だけを付け加える、小さくて迅速な追加です。
ディレクター（敵の戦略）: 敵の行動は「ディレクター」（クロスアテンションモジュール）によって導かれます。このディレクターは背景の特定のピクセルには関心を持たず、ゲームの「論理」に関心を持ちます。「攻撃」のような高レベルのプロンプトを読み、「よし、距離を詰めて攻撃せよ」と敵に指示します。

3. 「万能翻訳機」（ゼロショット転移）

これが論文の最も魔法のような部分です。通常、AI を『ストリートファイター II』でプレイするように訓練すると、ゼロから再訓練しない限り『ストリートファイターアルファ 3』をプレイすることはできません。

ReactiveGWM は、敵の論理に対する「万能翻訳機」を学習します。

特定のルールセットを使って学生にチェスの遊び方を教えると想像してください。
ReactiveGWM は、学生に特定の駒に縛られない「攻撃的になる」や「防御的になる」という「概念」を教えます。
このため、あるゲームで訓練した「敵の脳」を、別のゲームに直接接続することができます。敵は、その新しいゲームを見たことがないにもかかわらず、即座に同じ戦略（攻撃、制御、防御）でプレイし始めます。これは、サッカーチームの指導法を知っているコーチが、バスケットボールのルールを学び直すことなく、同じ原則を使って即座にバスケットボールチームを指導できるようなものです。

4. 結果

研究者たちは、2 つのクラシックな格闘ゲーム（『ストリートファイター II』と『ストリートファイターアルファ 3』）でこれをテストしました。

あなたは制御を維持: あなたのキャラクターは、指示した通りに正確に動きます。
敵が賢くなる: 「攻撃的」と指示されると、敵は実際にあなたに突撃します。「防御的」と指示されると、後退してブロックします。単にスクリプトに従っているように見えるのではなく、あなたに反応しているように見えます。
追加訓練は不要: 敵の戦略について何も知らない基本的な AI モデルに、ReactiveGWM の「敵の脳」を接続するだけで、その基本的なモデルは新しいゲームで賢く戦略的な敵と戦えるようになります。

まとめ

要約すると、ReactiveGWM はゲームの敵を背景の装飾のように扱うのをやめさせるシステムです。これにより、敵は「攻撃」や「防御」といった高レベルの戦略に従う「脳」を持ちながら、あなたのキャラクターの動きを正確に保つことができます。何より素晴らしいのは、あるゲームで敵を賢くする方法を学習すれば、ゼロから学び直すことなく、即座にその同じ知能を他のゲームに適用できることです。

技術的概要：ReactiveGWM

問題定義

現在のゲームワールドモデルは、主にプレイヤー中心の視点から動作し、非プレイヤーキャラクター（NPC）を視覚環境内の単なる背景ピクセルとして扱っている。既存のフレームワークでは、NPC は戦術的意図を持つ自律エージェントとしてモデル化されておらず、その行動は固定された動作シーケンスや、プレイヤーと NPC のダイナミクスを混同させる記述的プロンプトに暗黙的に紐付けられている。その結果、これらのモデルは真のシミュレーションエンジンというよりも、受動的なビデオレンダラーとして機能している。彼らは、行動によって引き起こされる NPC の反応性をモデル化するのに必要な物理的理解を欠いており、ゲームプレイを単独体験に限定し、NPC が自律的に高レベルの戦略（例：攻撃、防御、制御）を実行する意味のある競争的相互作用を妨げている。

手法

著者らは、プレイヤーの操作と NPC の行動を明示的に分離することで、プレイヤーと自律的な NPC 間の動的な相互作用を合成するように設計された、ReactiveGWM（反応型ゲームワールドモデル）を提案する。

1. データ構築

モデルの学習のために、著者らは『ストリートファイター II』（SF2）と『ストリートファイターアルファ 3』（SF3）を用いて、戦略と整合した新しいデータセットを構築した。パイプラインは以下の通りである：

ゲームプレイ記録：ランダムなエージェントがプレイヤーを操作するゲームプレイエピソードを収集し、ビデオクリップとフレームレベルの動作ラベルを生成する。
NPC 戦略のアノテーション：ビジョン・ランゲージモデル（VLM）を用いてクリップを分析し、NPC を導く構造化されたプロンプト（ $P_{NPC}$ ）を生成する。これらのプロンプトは、能動的行動（パンチ、キックなど）、受動的行動（ダメージを受ける、ブロックするなど）、そして高レベルの戦略カテゴリ（攻撃、制御、または防御）を分離する。
分離：全体のシーンを記述するバニラプロンプトとは異なり、 $P_{NPC}$ は NPC に対して特に高レベルの戦略的ガイダンスを提供し、モデルがプレイヤーの即時的な行動に依存しない戦術的意図を学習することを可能にする。

2. モデルアーキテクチャ

ReactiveGWM は、2 つの異なる制御信号を処理するために、標準的なビデオ拡散バックボーン（DiT に基づく）を修正する：

プレイヤー制御（加法的バイアス）：プレイヤーの動作（ $a_T$ ）は、軽量な加法的バイアスを介して注入される。生のボタンシーケンスは潜在的時間解像度に整合され、各 DiT ブロックの隠れチャネル次元に投影される。このバイアスは、自己注意層の前にビデオ潜在変数に直接加算され、視覚生成プロセスを乱すことなく、プレイヤーキャラクターに対する微細で低遅延の制御を確保する。
NPC 自律性（クロスアテンション）：高レベルの NPC 戦略は、クロスアテンションモジュールを介してグラウンディングされる。これらのモジュールは構造化された NPC プロンプト（ $P_{NPC}$ ）を受け取り、視覚 - 時間潜在空間にアテンションを向ける。重要なのは、これらのモジュールが、自己注意層とフィードフォワード層によってモデル化されるゲーム固有の物理的ダイナミクスから NPC の戦術的意図を分離する、ゲームに依存しない相互作用ロジックの表現を学習することである。

3. ゼロショット戦略転送

ReactiveGWM の中核的な能力は、再学習なしに異なるゲームの未アノテーションワールドモデルへ学習された NPC 自律性を転送できる点にある：

ReactiveGWM $_{base}$ ：完全な戦略アノテーションを持つソースゲーム（ゲーム 1）で学習される。
ReactiveGWM $_{transfer}$ ：バニラワールドモデル（ $F_{vanilla}$ ）のみを持つターゲットゲーム（ゲーム 2）にこれを適用するために、著者らはネイティブの視覚および物理的ダイナミクスを維持するため、ゲーム 2 モデルのドメイン固有のバックボーン（動作モジュール、自己注意、FFN）を再利用する。その後、ゲーム 1 モデルから学習されたクロスアテンション層をプラグインする。これにより、ターゲットモデルは新しいドメイン固有のアノテーションや全パラメータの微調整なしに、制御可能な NPC 行動（攻撃、防御、制御）を示すことができる。

主要な貢献

ReactiveGWM フレームワーク：微細なプレイヤー制御と戦略駆動型の NPC 自律性を同時にサポートすることで、プレイヤー中心のモデル化の限界を打破する新しいアーキテクチャ。
戦略整合データセット：プレイヤーと NPC の制御のための分離されたプロンプトを活用し、戦術的意図をピクセルレベルのレンダリングから明示的に区別するデータセットの構築。
ゲームに依存しない相互作用ロジック：特化したクロスアテンションモジュールが、異なるゲームの市販の未アノテーションワールドモデルへプラグ・アンド・プレイ方式で転送可能な相互作用ロジックの表現を学習することを示実。

実験結果

SF2 および SF3 での評価により、ReactiveGWM は以下のことを示している：

優れた NPC 自律性：モデルは戦略順守を大幅に改善する。SF2 では、VLM による指示精度がバニラモデルの約 43% から 75.8%（ReactiveGWM $_{base}$ ）に上昇した。SF3 では、約 41% から 79.8% に改善した。
保持されたプレイヤー制御：モデルはほぼ完璧なプレイヤー動作の制御性（例：SF3 における 100% の Move-Acc および Att-Acc）と視覚忠実度（SSIM/LPIPS）を維持し、バニラベースラインと同等の性能を維持している。
効果的な転送：ReactiveGWM $_{transfer}$ は、バックボーンの再学習なしに、高い動作制御性と視覚品質を保持しつつ、競争力のある NPC 戦略の追従（例：SF3 における 63.6%–73.7%）を実現する。
ユーザー調査：人間の評価により、ReactiveGWM はバニラモデルとは知覚的に区別される戦略一貫性の NPC 行動を生成し、ベースラインと比較して戦略分類精度が約 2 倍になることが確認された。

意義と主張

本論文は、ReactiveGWM がスケーラブルで戦略に富むゲーム生成への道を開くと主張している。ドメイン固有の再学習なしに制御可能な NPC 相互作用を可能にすることで、NPC が受動的な背景要素であるという現在のワールドモデルにおける重要なギャップを埋める。この研究は、相互作用ロジックをゲームに依存しないモジュールとして学習できることを示唆しており、多様なゲーム環境において自律的で戦略的な NPC を迅速に展開することを可能にする。著者らはこれを、「受動的なビデオレンダラー」から、動的で競争的な関与を可能にする「真のゲームシミュレーションエンジン」への移行への一歩として位置づけている。

注：本論文は、評価が現在 2D 格闘ゲームに限定されていること、および拡散ベースのバックボーンが推論遅延を導入し、現状ではリアルタイムの双方向性を妨げているという限界を認めている。