NVIDIAと清華大学チームがGamma-Worldを提案：世界モデルを「一人遊び」から「多人数共存」へ

世界モデルはシングルエージェント設定で大きな進歩を遂げてきましたが、複数のプレイヤーが共有する動的な世界を扱うマルチエージェントシナリオには体系的な解決策が不足していました。この課題に対し、NVIDIAは清華大学、トロント大学、Vector Instituteと協力し、Gamma-Worldという生成型マルチエージェント世界モデルを提案しました。本モデルは以下の3つの革新的設計を導入します。

第一に、シンプレックス回転エージェント符号化（SRAE）は、標準的な回転位置符号化（RoPE）にエージェント軸を追加します。従来手法（Solarisなど）のように固定の学習可能スロットベクトルを用いる代わりに、Gamma-Worldは全エージェントを正シンプレックスの頂点に配置します。これにより、任意の2つのエージェントペアが回転角空間で等距離となり、置換対称性が保存されます。この符号化はパラメータフリーで、訓練時にはエージェントがランダムに頂点に割り当てられ、モデルは幾何学的座標に基づいてエージェントを識別します。推論時には、同じ頂点プールから新しい頂点を追加するだけでエージェント数を増やせ、未見のエージェント数へのゼロショット汎化を実現します。

第二に、スパースハブ注意機構は、エージェント間の全対全注意をハブ・アンド・スポーク型トポロジーに置き換えます。学習可能なハブトークンが全エージェントからの情報を集約し、圧縮された共有状態表現として各エージェントストリームにブロードキャストします。これにより、計算複雑性がエージェント数に対して二次から線形に削減され、24 FPSのリアルタイム推論が可能になります。この疎な構造は、エージェント間情報が共有世界状態のボトルネックを通過すべきという強い帰納バイアスを符号化します。

第三に、生成品質と推論速度の両立を図るため、三段階蒸留パイプラインを採用します。第1段階では、完全なシーケンス（未来フレームを含む）にアクセスできる双方向教師モデルを訓練し、高品質な生成分布を提供します。第2段階では、現在と過去のフレームのみを見る因果学生モデルを訓練し、ストリーミング推論に適応させます。第3段階では、条件的自己強制分布マッチング蒸留（DMD）を適用し、マルチステップサンプリングを4ステップに圧縮しながら、動作の制御可能性を維持します。パイプライン全体で初期フレームとエージェントごとのアクションシーケンスを条件として保持します。

マルチプレイヤーMinecraft環境での実験では、Gamma-Worldは5つのシナリオ（記憶、空間定位、移動、建築、視点間一貫性）で従来の最良手法Solarisを大幅に上回り、FVD（Frechet Video Distance）で平均40%以上の改善を示しました。アブレーション研究により、各設計選択が有意に寄与することが確認されています。特筆すべきは、2プレイヤーデータのみで訓練されたモデルが、修正なしで4プレイヤーの同期ビューを直接生成でき、真のゼロショット汎化を実証したことです。ゲームの枠を超え、Gamma-WorldはRealOmin-Openデータセットを用いた実世界のデュアルアームロボット協調タスクにも適用され、仮想エージェントから物理ロボットへの追加適応なしでの転送に成功しました。

Gamma-Worldの成功は、問題構造に関する知識をアーキテクチャに明示的に符号化し、モデルがデータから暗黙的に学習するのに頼らないという広範な方法論を裏付けています。2プレイヤーから4プレイヤーへの再訓練なしの汎化能力は、マルチエージェント世界モデルがPhysical AIの基盤インフラとして機能し、多様な協調・競合シナリオにわたるスケーラブルなデータ生成とポリシー訓練を可能にすることを示唆しています。