IOSF:動画AIのコスト・パラドックス——生成はますます安くなるのに、完成映像はなぜ依然として高価なのか

  • 動画AIは広告制作のコストを大きく下げる一方、Soraアプリは日次運営費約100万ドルで閉鎖され、単純な視聴は事業になっていない。
  • 開示収入の合計は年約23億ドルで、モデル提供元ではなくHiggsfieldなどアプリ層が最大。ただし重複計上と未開示の実験室を含む規模の目安にすぎない。
要約

2025年6月、NBAファイナル第3戦の期間中、Kalshiはかなり混沌としたテレビCMを放送した。卵でいっぱいのプールに浮かぶ農夫、ビールを飲む宇宙人、アメリカ国旗をまとってインディアナについて叫ぶ男。監督のPJ AccetturoはGoogleのVeo 3でこのCMを制作し、費用は約2,000ドル、構想から放送までわずか3日だった。それまで制作会社がKalshiに提示していた見積もりは「6桁から7桁」だった。彼は15本の使えるクリップを得るまでに300〜400回生成した。

10か月後、OpenAIは4月26日にSoraアプリを閉鎖した。TikTokに似た、AI生成動画を専門に流すフィードだ。TechCrunchが伝えた『ウォール・ストリート・ジャーナル』の調査報道によると、このアプリの1日の運営コストは約100万ドルで、ユーザー数はピーク時の約100万人から50万人未満へと減少した。Soraの開発者向けAPIも9月に停止され、現在OpenAIの開発者向け価格表に動画モデルは一つもない。

この二つの出来事は2026年の動画AIの現状を要約している。AIで動画を作ることは広告の制作方法を変えるほど安くなった。しかし、AI動画をただ見るだけでは、まだビジネスになっていない。

核心となる視点

動画AIはすでに実際のビジネスだ。収益を開示した数社の合計は年約23億ドルで、彼らが名指しする顧客はマーケター、クリエイター、企業である。これは縮小版の大規模言語モデル市場ではない。1分の動画のコストは1分のテキストの数千倍で、最も収益が高いのはモデルベンダーではなくアプリだ。最初に打撃を受けるのは「十分な品質」の動画を大量に調達している業界、すなわちストック素材、広告、研修、ショートドラマだ。映画・映像のVFXはその次に来る。ゲームとロボティクスは最後で、これらは物理法則に依存しており、現在の最高モデルでも物理テストのスコアは実写映像の約半分にとどまる。

収益ランキング:データを開示した企業、合計で年約23億ドル

IOSF Research

画像

すでに少数の企業が収益を開示しており、成長は速い:

  • HiggsfieldのARRは2025年末の2億ドルから2026年8月には7億ドルへと成長した。
  • 快手(Kuaishou)傘下の動画モデルKling(可霊)は第2四半期の収益が1億1,800万ドルを超え、前年同期比2倍超となった。
  • falは動画・画像モデルの「本棚」(モデルアグリゲーションプラットフォーム)に相当し、2026年3月のARRは約4億ドルで、昨年10月から倍増した。
  • HeyGenのARRは6月に2億ドルを突破した。
  • RunwayのARRは9月に2億ドルを突破した。

私たちの計算では、可視収益の合計は年約23億ドルとなる。うち一部は画像収益であり、また一部は重複計上されている。アプリもfalから調達するためだ。この数字にはGoogleのVeo、ByteDance(字節跳動)のSeedance、そして数社の中国のラボも含まれていない。これらは動画収益を個別に開示していない。誤差は両方向に働く。画像収益と重複計上が総額を押し上げ、未計上のラボが総額を押し下げる。したがって23億ドルは規模の参照値としてのみ使えるもので、算出された市場規模ではない。

動画生成のコストは数千倍高く、収益の大半はアプリ層にある

IOSF Research

画像

動画AIはしばしば「数年遅れた大規模言語モデル市場」と非公式に形容される。しかしデータはこの説を支持しない。言語モデルを動かすことと画像・動画モデルを動かすことには大きな違いがあるからだ。

簡単に言えば、言語モデルが文章を書くやり方は人間がタイピングするのと同じだ。一度に一語、各語は次の語への小さな推測であり、まだ書いている最中にあなたは読み始められる。画像や動画モデルはむしろ建築家に近い。ランダムなノイズの塊から始め、全体の画面を何度も何度も整えていく。通常20〜50ラウンドだ。各ラウンドはすべてのピクセルを同時に処理し、最後のラウンドが終わるまで何も使えない。動画は作業量を倍加させる。1秒は約24フレームで、各フレームは前のフレームと整合していなければならない。コップは元の位置にとどまり、顔は同じ顔でなければならない。一方、文章は数百の小さな単位に過ぎない。だからこそ、実測されたオープンソースモデルは1秒の動画を生成するのに約350秒のチップ計算時間を要し、1分の動画のコストが1分のテキストの数千倍になるのだ。

Anthropicは投資家に対し、年換算収益が7月末に650億ドルに達したと伝え、OpenAIは約400億ドルだ。この2社のラボだけで、可視の動画収益全体の約45倍に相当する。

大規模言語モデルの領域では、収益の大半はモデルラボに帰属する。動画の領域では、最も収益が高いのはアプリだ。 最大の言語モデルアプリはプログラミングツールのCursorで、6月の年換算収益は約40億ドルと報じられており、Anthropicの約16分の1に相当する。動画分野ではHiggsfieldが7億ドルで首位に立ち、他社のモデルを包み込むアプリ(Higgsfield、HeyGen、Synthesia、Magnific)が可視総収益の半分以上を占める。テキストの顧客が買うのはモデルの知能であり、そのまま使う。動画の顧客が買うのは特定の作業に向けた完成映像であり、完成映像には編集、一貫性、付随するワークフローが必要で、アプリはまさにこれらの需要を中心に構築され、動画ワークベンチを形成している。

1枚の画像はおよそ千語に相当する

画像

10月22日時点で、記録されている動画1分あたりの最低価格は約3ドルで、Veoの最も安いティアのものであり、最高ティアとは約7,600倍の差がある。

さらに注目すべき違いがいくつかある。コードは大規模言語モデル最大の市場であり、自動検証できる。動画は肉眼で判断する必要があり、比較的主観的だ。テキストはトークン単位で購入し、動画はクリップ単位で購入し、対応するのは制作予算だ。

誰が支払っているのか:公開された証拠はすべて企業顧客を指す

IOSF Research

Higgsfieldは自らを「クリエイター、マーケター、ブランド、代理店、制作会社向け」のプラットフォームと称し、「390社のフォーチュン500企業にビジュアルコンテンツ制作を支援している」と述べている(Higgsfield)。HeyGenはフォーチュン100企業の85%が利用しているとしている(HeyGen)。両社とも用途別の収益内訳は開示しておらず、公開データだけでは、娯楽目的で動画を作る個人からの収益がどれだけあるのかは分からない。公開されている証拠はすべて企業バイヤーを指している。

買い手をさらに細分化すると、ビジネスモデルの分化が見えてくる。人々は大量のAI動画を見るが、有料で買うものは異なり、品質への要求も異なる。

  • ショートドラマアプリ は物語を話数単位で販売するので、品質が視聴者の課金継続を左右する。最大のコストは獲得コストであり、制作ではない。Media Partners Asiaの推計によれば、最大のショートドラマプラットフォームReelShortは2025年の7億8,500万ドルの収益のうち55%をユーザー獲得とマーケティングに充てている(Indian Television)。マーケティングが収益の55%を占め、生成を含む他のすべてのコストは残りの45%で賄わなければならない。だから安いモデルは予算のうち小さい部分を圧縮するだけだ。優れたモデルは稼ぐ部分、すなわち視聴者が次の話に払い続けるかどうかに作用する。ReelShortは生成に関する支出を開示していないので、これは当社による同社のコスト構造の解釈であり、実測の内訳ではない。
  • 視聴者はソーシャルフィードでこれらのドラマを見つける(MetaとOrmaxの調査では、インドの視聴者でこの割合は89%)。制作側も急速にAIへ移行しており、Owl & Coの集計によると、第3四半期に中国以外で制作された縦型ショートドラマの新作のうち約3分の2がAI生成で、第1四半期はわずか3%だった(The Hollywood Reporter)。
  • AIコンパニオンアプリ が売るのは映像ではなく感情的なつながりだ。ユーザーはこの関係のために繰り返し戻ってくるので、動画は「十分」であればよい。鍵となるのはコストと速度で、ユーザー一人ひとりが大量の動画を必要とするからだ。

制作が安いことは誰かが見ることを意味しない:価値は「決定」とコンテンツ配信の側へ移る

IOSF Research

音楽業界が先にここへ到達した。Deezerによれば、6月のピーク日には完全にAI生成された曲がこのストリーミングプラットフォームの新規アップロード全体の半分を超え、現在は毎日約9万曲が追加されている。しかしそれらは再生数の1〜3%を占めるに過ぎない。

画像

Deezerは検出したAI曲をレコメンドやプレイリストから除外しており、それによってアップロード量と再生量の差が可視化される。この構図はまさに経済学者Herbert Simonが1971年に描写したものだ。情報が豊富になると、注意力が希少資源になる。制作がほぼ無料になれば供給が氾濫し、価値は何が目に触れるかを決める側へ移る。2人の研究者は、視聴者がAIコンテンツに設定する品質の閾値を「slop ceiling」(低品質コンテンツの天井)と呼んだ。

どの業界が最初に影響を受けるか:ストック素材と広告が最前線、ゲームとロボティクスは最後

IOSF Research

画像

今日の23億ドルは既存の動画支出に比べればまだ小さい。そして資金は均等に移動しない。現在のモデルがすでにこなせる動画作業の割合で並べると、次のようになる:

  1. ストック素材と画像。 生成されたクリップはライセンス素材を直接置き換えられる。大手ストック素材のGetty ImagesとShutterstockは昨年合計で約20億ドルの収益を上げており、これが現在最も影響の大きい垂直領域だ。
  2. 広告と製品動画。 WPP Mediaは今年の世界の広告収益を約1兆3,000億ドルと予測する。そのうち広告制作に使われるのはごく一部だが、Kalshiの広告は、生成コストが下がるにつれてこの支出がどこまで圧縮できるかを示している。実写広告の大量の間接コストが省かれるのだ。
  3. 研修と解説動画。 2025年に米国の機関が研修に費やしたのは1,028億ドル(Training magazine)。これがHeyGenとSynthesiaの市場で、プレゼンターが原稿を読むのは最も生成しやすい種類の動画だ。
  4. ショートドラマ。 中国では、マイクロドラマ(スマホ向けに作られた1話1〜2分のドラマ)の収益が2025年に94億ドルに達し、全国の映画興行収入を超えると予測されている。これらの制作側はすでにスマホ画質の素材を受け入れており、需要も大きい。
  5. 視覚効果(VFX)。 IMARCは2025年のこの市場規模を約110億ドルと推計する(IMARC)。ただし推計は各社で大きく異なる。制作側はすでに生成ショットを使っている(後述)。
  6. 映画とテレビ。 Ampere Analysisは2026年の世界のコンテンツ支出を2,550億ドルと推計する。AIは作品全体ではなく、ショット単位でこの領域に入っている。
  7. ゲームとロボティクス。 Newzooの推計によれば、ゲーム業界の2025年の収益は2,016億ドル。動画モデルが世界をシミュレートできるようになって初めて、ここで役割を果たす。これが本稿の最終節の内容だ。

AIは動画制作のコストをどう変えるか:歩留まりと単価が同じくらい重要

IOSF Research

画像

現在最も明白な影響はコストにある。Kalshiの広告に加え、OpenAIが支援するアニメ長編映画Critterzは予算3,000万ドル未満、制作期間9か月。大作アニメ映画は通常1億〜2億ドル、約3年を要する。

定価はティアごとに下がるのであって、全面安ではない。

画像

次のコスト削減の波はすでに研究の中に現れている。 Hugging Faceの研究者による実測研究では、大規模オープンソースモデルがフラッグシップGPU1枚で5.4秒のクリップを生成するのに1,875秒を要し、私たちの計算では動画1秒あたり約350秒の計算時間に相当する。蒸留(distillation)はこの問題に直接向き合う。あるチームは小規模オープンソースモデルの1秒あたりのフレーム生成数を約22倍に高め、単一チップ上でリアルタイムにストリーミング生成できるほど速くした。コンパニオンアプリが必要とする大幅なコスト削減はここから来る。まず低解像度で生成し、その後超解像を行うのだ。

動画1秒を生成する定価はコストの一部に過ぎない。 Kalshiの広告の監督は約20〜27クリップにつき1本だけを残したので、彼にとって使える動画1秒のコストは定価の20〜27倍になる。これは高めのケースだ。ある動画ツールベンダーが他の作品についてまとめたところ、3分のアニメシリーズで4クリップにつき1本を残した(164本中41本)。独立した統計による歩留まりデータを公開した者はいまだにいない。一貫性は歩留まりに直接影響する。 モデルがキャラクター、製品、カメラワークを複数回の生成にわたって一貫させられれば、必要な生成回数はより少なくて済む。生成回数が半分になれば、使える動画1秒のコストも半分になる。値下げは1回の生成を安くするだけだ。

私たちのテスト:同じプロンプト、3つのモデル。 11月2日、私たちはRunwayのAPIを通じて3つのモデルに同じプロンプトを与えた。ガラステーブルの上のスマートフォンに着信が入って画面が点灯し、振動しながらテーブルの端へ移動し、落ちてコンクリートの床で一度跳ねる。各8秒、720p、音声なしで、各モデル1回ずつ生成し、合計4.80ドルかかった。

画像

▲ 左から:Wan 3.0、Seedance 2.5、Veo 3.1

  • Wan 3.0(0.80ドル、ランキング1位)が最もよい結果だった。スマホは前に動き、落下し、静止した。ただしカメラが下に傾いて追従した。
  • Seedance 2.5(2.40ドル、3つの中で最も高い)は振動の再現が最もリアルだったが、落下前に新しいショットへ切り替わり、画面も暗くなった。
  • Veo 3.1(音声なし版1.60ドル、ランキング22位)は冒頭でスマホが寝かされておらず立っており、着地後はゴムのように何度も跳ねた。画面のテキストは3つの中で最も鮮明だった。(私たちがVeoを継続的に追うのは、Googleが最も明快な価格履歴を公表しているからであり、それが最先端だからではない。品質では今やより安いモデルに後れを取っており、私たちのテストもそれを示している。)

3つのモデルはいずれもプロンプトを完全には実行せず、各生成には2〜4.5分かかり、クリップの長さの15〜34倍だった(私たちの計算)。3つのクリップでは多くは語れないが、結果の順位は価格ではなくランキングと一致した。

次の転換点:コストとレイテンシ

IOSF Research

安いモデルは一つの道だ。もう一つの道は、映画やアニメの既存の制作方法をそのまま踏襲することだ。まず粗く、次に精細に。

低コストで下書きを出し、最後に一度だけレンダリングする。

アニメーターは何十年も前にこの問題を解決した。物語が整理される前にアニメーションを作り始めることはない。まず絵コンテを描き、それを粗い動きの試作、すなわちアニマティック(動く絵コンテ)にする。AI動画も同じことができる。毎秒1〜2フレームの粗い編集で物語とショットを判断するには十分で、効果は漫画に近い。選ばれ、最も適したショットだけを最高のモデルでレンダリングする。

これにより、前述の歩留まりの問題も解決する。ほとんどの生成結果を捨てるのなら、まだ安いうちに捨てた方がよい。

ByteDanceはすでにこれを製品化している。Seedance 2.5のDraft(下書き)モードは10月30日からfalで提供開始され、まず低解像度のプレビューを高速生成し、その後同じ動画をフルHDに仕上げる。残したクリップだけが正規料金で課金される。差額はすぐに積み上がる(fal):

  • プレビュー(480p):1秒あたり約0.22ドル
  • フルHD(1080p):1秒あたり約1.16ドル、プレビューの約5倍
  • 下書きを完成映像に仕上げる:falは価格を明示していない。私たちのチームのテストでは、フルHDクリップを直接生成するより6〜8倍低コストだった

代償は品質だ。下書きから仕上げた完成映像は、直接生成したフルHDクリップよりやや柔らかく見えるが、プレビューにあった奇妙な最終フレームも修正された。規模が大きくなれば、節約幅は大きい。25回の生成につき1回を残す場合(歩留まり4%)、1時間のフルHD完成映像のコストは:

  • 毎回フルHDで生成:約10万5,000ドル
  • まず下書きを出し、残したクリップを仕上げる:約2万ドル(私たちの計算)

ハイブリッドなワークフローはすでに現れている。

低コストの下書きは近道の一つだ。もう一つは古いツールと新しいツールを組み合わせることだ。クリエイターは今、3DデザインツールのBlenderで灰色のジオメトリを使ってシーンを組み、OpenAIのGPT-6 Astraでオブジェクトとカメラ位置を配置し、そのシーンの1フレームの静止画を写実的な最初のフレームに変換し、Seedance 2.5で完成映像を生成する(Kapwingのチュートリアル、ByteDanceの即夢Dreamina)。

2つのツールは互いの弱点を補い合う。3Dだけでは写実にするのが遅すぎ、AI動画だけでは制御が難しい。組み合わせれば、3Dの下書きがレイアウトとカメラを決め、動画モデルが画面の質感を担う。

リアルタイム生成が近づいている。

最後のステップは速度だ。見ながらレンダリングする動画はもはや実験室のデモではない:

  • Runway Characters(3月):RunwayのGWM-1を基にした、リアルタイム対話が可能な動画モデル(Runway)
  • Runway Solaris(8月31日):Runwayが「Interface World Model」(インターフェース世界モデル)と呼ぶ最初のもの(Crypto Briefing)
  • Decart(5月):リアルタイムの動画ストリームを即座に生成シーンへ変換する。約40億ドルの評価額で3億ドルを調達(bne IntelliNews)
  • Zoomのバーチャルアバター:写実的なアバターでカメラ映像を置き換え、話すと表情も同調する。機能の利用可否はプランと地域による(Zoom)

動画生成の速度がリアルタイム通話のニーズを満たすようになれば、コンパニオンアプリが直面する問題は変わる。1分あたりいくらかではなく、次のフレームがどれだけ速く届くかだ。

マーケティングの外へ:映画、テレビ、VFXでは、AIはVFXショットは作れても長編プロジェクトはまだ作れない

IOSF Research

画像

ハリウッドは動画AIが広告の領域を出られるかを試している。

これまでのところ、制作側は主に2つの方法でこれを使っている。一つは予算がそもそもカバーできなかったショットの制作。もう一つは自社キャラクターをライセンスし、他者が使う際に収益を得ることだ。

第一に、本来なら負担できなかったショットを作る。

最近2つのドラマが、本来ならカットされるはずだった場面をAIで完成させた:

  • Netflixの The Eternaut:このアルゼンチンのシリーズは生成AI動画でビル崩壊のシーンを完成させた。共同CEOのTed Sarandosは、このショットは従来のVFXより10倍速く完成し、従来の方法での制作コストはこの作品の予算では「まったく実現不可能」だったと述べた。
  • Amazonの House of David:この聖書題材のシリーズは第2シーズンで350〜400枚のAI生成画像を使い、第1シーズンは約70枚だった(TheWrap)。ショーランナーは、AIがなければあの戦争シーンは負担できなかったと述べている。

他の制作側はさらに踏み込み、モデルベンダーと直接提携している。Lionsgateは6月にRunwayへ出資し(持株比率は非公開)、自社の映画ライブラリーを基にした短編シリーズの制作を計画している(Runway)。AMC NetworksもRunwayと契約した(Hollywood Reporter)。

第二に、キャラクターのライセンスから収益を得る。

より大きな争点はキャラクターの所有権だ。Disneyの動きは両面を示している:

  • 2025年6月:DisneyとUniversalが著作権侵害を理由にMidjourneyを提訴。
  • 2025年12月:DisneyはOpenAIへ10億ドルを投資し、Soraに自社の200以上のキャラクターを使わせることに合意(Disney)。
  • Sora閉鎖後:契約も終了し、Disneyは他のAIパートナーを探すと述べた(Blooloop)。

結論は単純だ。制作側は自社キャラクターが使われた際に報酬を得たいと考え、支払わない利用者に対しては訴訟を起こす。

日本の権利者は最も先を行き、AIを止めることからAIへライセンスすることへと転じた。理由は金だ。日本のアニメは海外でよく売れるが、多くの制作会社は経営難にある:

  • 日本動画協会の速報値によれば、2024年の海外収入は2兆1,700億円で、国内収入を上回った(gamebiz)
  • 2025年には**34.6%**のアニメ制作会社が赤字だった(帝国データバンク、GameBusiness経由)

2025年10月、日本の権利者を代表する団体CODAは、OpenAIに対し、会員の作品を無許諾でSora 2の学習に使用することを停止するよう求めた(Automaton)。

1年も経たずに態度は変わった。9月11日、中国のAIラボMiniMaxと日本の企業KAGAMIAIは東京でH3 IP Editionを発表した。クリエイターはこれを使って許諾済みの日本キャラクターで動画を作ることができ、各キャラクターには承認済み素材、利用ルール、商業条件が付随し、権利者には利用状況が報告される。MiniMaxはすでに60社以上が関心を示していると述べている(MiniMax)。

以前にKAGAMIAIは『キャプテン翼』(Captain Tsubasa)と試験的に取り組み、そこでは別の中国製動画モデルPixVerseを使用し、需要がどれほど大きくなり得るかを示した(出所は上述のMiniMaxのページと同じ):

  • 約12万6,000人のクリエイター
  • 45日間で約33万点の作品を制作
  • 活動の**99%**以上が日本国外から

ライセンスされたファン創作は、AI動画においてキャラクターの権利者が初めて収益を得られる大衆消費市場になる可能性がある。

法則はこうだ。AIはVFXを作れるが、長編プロジェクトは作れない。

上記のすべての事例で、AIが処理しているのは中規模予算のシリーズが本来負担できなかったショットだ。大ロングショット、群衆、破壊シーン、そして場面の環境。残りの制作は人間が担う。コンピューターグラフィックスが映画に入ったのも同じで、1995年の『トイ・ストーリー』が長編全体をそれで作れると証明するずっと前から、特殊効果ごとに普及していった。

あるテスト結果も同じ方向を指す。後述する物理ベンチマークで、Odyssey-3 Proモデルのスコアは起点によって変わる:

  • 実写映像の続きとして:63点、1回の生成
  • 1枚の画像から開始:50点

AI動画は実素材を土台にするとよく機能する。これはまさにVFX作業の状況だ。生成ショットはそれぞれ実写映像の中に埋め込まれる。このテストは尺を測っていない。モデルが複数のショット間で一貫性を保てるかを試すテストはまだ誰も公開しておらず、それこそが長編プロジェクトが依然として不可能な理由を説明するテストだ。

専門化したラボは現れるのか?すでに現れており、動画企業は3種類に分化している

IOSF Research

専門化したラボはすでに現れ、動画企業は3種類に分化している:

汎用大手。 Google(Veo)、ByteDance(Seedance)、快手(Kling)が最も多くの計算資源とデータを持つ。彼らは品質と価格で競い、大多数のアプリは彼らのモデルを再販する。

スタジオ型ラボ。 Runwayは現在Lionsgateが出資しており、映画とテレビ向けに製品を開発している。Moonvalleyはライセンス映像のみでMareyモデルを訓練し、2025年7月までに1億5,400万ドルを調達、その制作部門Asteriaがこのモデルで映画を撮る。こうしたラボは大手が提供しにくい3つのものを提供できる。制作会社の法務が受け入れられる訓練データ、各フレームへの精細な制御、そして既存のVFXパイプラインに接続できるツールだ。

アプリ層。 Higgsfield、HeyGen、Magnificは他社ラボのモデルをパッケージ化し、特定の顧客に販売する。

新しいラボとその賭け先。 私たちが確認した2026年の最大級の投資はいずれも、対話型モデルや世界モデルを開発するラボに流れた。AMI Labsの10億3,000万ドルのシードラウンド、Runwayの3億1,500万ドルの資金調達(Runwayは世界モデルに充てるとしている)、そしてAMDによるWorld Labsの82億ドルでの買収だ。私たちは年間の動画領域の資金調達すべてを集計していない。下表は資金調達ラウンド、1件の買収、製品アップデートを混在させている:

画像

今後12か月に最も起こりそうなブレークスルーもこの表から来る。通話やゲームを支えられるほどリアルタイムな動画生成、固定クリップではなく対話可能な世界、そして規模化したライセンスキャラクター生成だ。

映画とVFXの領域では、スタジオ型ラボが最も勝ちやすい。 制作側は重要なショット(hero shot)で訴訟リスクを負えない。監督の意図を正確に再現する必要があり、組合のクルーとも協働しなければならない。最強の素のモデルだけを提供する汎用ベンダーは価格競争しかできない。

より大きな機会はクリップではなく世界

IOSF Research

今回の知能の発展の中で、動画モデルの最大の市場は結局、動画ではないかもしれない。場面の次のフレームを予測できるモデルは、世界がどう動くかを学習している可能性があり、それはゲームやロボティクスに有用だ。

Runwayは2025年12月にGWM-1を発表し、汎用世界モデルと呼んだ。3つのバージョンがある。探索可能な世界、対話可能なバーチャルアバター、そしてロボットの各動作後にカメラが何を見るかを予測するロボットモデルだ。720pでリアルタイムに映像を生成し、最長2分。Runwayは2月に評価額53億ドルで3億1,500万ドルを調達した際、この資金をより高性能な世界モデルの開発に充てると述べた。

プラトンは『国家』の洞窟の寓話でこの賭けを最初に描いた。

囚人たちは壁に映る影しか見えず、「通り過ぎる影を最も鋭く観察する」者、次にどの影が現れるかを最もよく言い当てる者に名誉を与える。動画モデルは受賞する影の予測者であり、影を落とす物体を見たことがない。プラトンの主張は、こうした技能は知識ではないということだ。動画モデルにとっての問題は、次のフレームを予測することが世界がどう動くかの理解を意味するのかであり、Physics-IQはそれを検証する一つの方法だ。

画像

Physics-IQはGoogle DeepMindがホストするベンチマークだ。モデルに実際の物理現象の冒頭を見せ、モデルが生成した続きの画面が現実にどれだけ近いかを評価する。100点は別の実写撮影と同じくらい近いことを意味する。元のスコアでは、最高の単一画像入力動画モデルは2025年2月の23点から今年5月には44点に向上した。再採点したランキングでは、1位の単一画像入力動画モデルは51点で、GoogleのVeo 3.1 Fast(30点)は2024年のオープンソースモデル(32点)と同水準だ。論文自体の発見は、物理理解能力とクリップがリアルに見えるかどうかは無関係だというものだ。

リアルに見えることはほぼ解決済みで、リアルに振る舞うことはまだだ。 このテストで、最高のモデルは依然として0点と別の実写撮影の中間あたりに位置する。リアリティと物理挙動が無相関だと示された以上、画面がより美しくなるだけでは自動的にこの差は縮まらない。

もしこのスコアが100に近づけば、動画ラボはシミュレーション企業になり、ゲームスタジオやロボティクス企業に製品を売る。この市場では、動画領域での先行者優位が非常に重要になる。

結び:3つの数字がこの業界の行方を決める

IOSF Research

本稿が残したほとんどの問いは、3つの数字で答えられる:

  1. 生成結果のうち何本が採用されるのか? 現在私たちが持つデータは、Kalshiの広告が4〜5%、あるアニメシリーズが25%だ。私は個人的に、この数字には元の画質よりも一貫性の影響が大きくなると思うし、ラボもその方向へ進むだろう。1回の優れた生成を追求するのではなく、一貫性を管理し大量のコンテキストを扱える生成環境を構築する方向だ。

  2. 完成映像1時間は結局いくらかかるのか? 定価を採用率で割る。今日の価格では、同じ1時間の動画のコストは次のようになり得る:

  • Veo 3.1 Lite(正規価格):720〜4,500ドル
  • Seedance 2.5 フルHD:1万6,800〜10万5,000ドル

この式では、歩留まりが2倍になることと価格が半分になることはコスト削減効果が同じだ。違いはそれぞれにどれだけ余地が残っているかにある。現在の4〜25%の歩留まりでは、毎回の生成を使えるようにするモデルはコストを4〜25倍下げられる。価格はすでに下がっており、しかもティアごとに下げ幅が不均一だ。私たちは今後2年間、歩留まりの方が大きなレバーだと判断する。 もし次に公表される歩留まりが依然として4%前後で、価格が下がり続けるなら、この判断は誤りだ。

  1. 物理挙動は成り立つのか? Physics-IQはモデルの動きが現実世界に合っているかを検証する唯一の公開テストで、最高モデルのスコアは実写映像の約半分だ。モデルが実写映像を土台とする場面では、差は最も早く縮む。

2年前、問題はAI動画が十分に見栄え良く作れるかだった。この問題はほぼ答えが出ている。Kalshiの広告はNBAファイナルの期間中に放送され、Netflixも生成映像を正式配信のシリーズに使った。

今、未解決なのは金とコントロールの問題だ:

  • 誰が金を得るのか? 制作側は自社キャラクターが登場した際に分配を受けたい、あるいは印税に似た仕組みを設けたいと考えている。キャラクター、個人、アイドルのライセンスされたファン創作は大きく成長する可能性がある。
  • どんな新しい可能性が生まれるのか? 物理の差が縮まれば、動画モデルはクリップ生成器ではなくシミュレーターになる。私たちの判断:最初に有料需要が生まれる交差点はロボット訓練、すなわちモデルが実際のカメラ映像を続けることだ。 これは現在最もスコアが高い場面(63点対50点)であり、RunwayのGWM-1もすでにこの種の製品を販売している。ゲームはより遅い。ゲームはモデルがゼロから生成し、数時間にわたって一貫性を保つ必要があるからだ。2027年まで、シミュレーター市場の規模は、そこから派生した広告・制作市場より小さいと私たちは予想する。もしそれ以前にゲームスタジオが生成的世界モデルに基づく作品を発表すれば、この判断は誤りだ。
共有先:

著者:IOSF

本記事はPANews入駐コラムニストの見解であり、PANewsの立場を代表するものではなく、法的責任を負いません。

記事及び見解は投資助言を構成しません

画像出典:IOSF。権利侵害がある場合は著者へ削除をご連絡ください。

PANews公式アカウントをフォローして、強気・弱気相場を一緒に乗り越えましょう
関連トピック
PANews APP
Cardano財団、トレジャリーから500万ドル相当を申請―ADA価格を市場価格より33%高く設定
PANews 速報