AI動画生成モデルは、一コマ一コマはもっともらしく見せられても、全体の流れでは基本的な物理を破ることがあります。グラスが割れずに跳ね返ったり、ドミノは倒れたのに花瓶は立ったままだったりします。北京大学、ByteDance Seed、MITなどの研究者によるプレプリントPhysLoopは、言語モデルの知識と最終的な動画の間に物理シミュレーターを置くことでこれを直そうとしています。製品ではなく研究用のシステムですが、より信じられるAI動画への実際的な道筋を示しています。
手法は段階的に進みます。標準ではOpenAIのGPT-6 Astraが担うコーディングエージェントが、依頼をタスク仕様に変え、落下の高さや床面といった前提を記録し、3D素材を集めてUnreal Engine 5.7でシーンを組み立てます。シミュレーターが出来事を再現し、検証器がそれを仕様と照合し、その後で初めて標準ではSeedance 2.5が担う動画モデルが見た目を仕上げます。完成した動画は再度確認されます。同じ仕組みで、すでに生成された動画の不具合のある部分だけを作り直して修復することもできます。チームは、2.5Kの異なる物理現象から作った100K本の動画を収めたPhysLoop-100Kと、二つのテストセットを公開します。
結果が最もはっきりしているのは修復です。PhysLoop-Repairでは、システム全体の成功率が86.00%で、Seedance 2.5単体の19.33%を大きく上回り、単体の生成モデルはどれも20%未満でした。生成タスクでは成功率が85%で、単体の73%を上回りました。人間による評価では物理的なもっともらしさが4.06対3.80と高い一方、見た目のリアルさは3.72対4.29と低くなりました。外部のPhysics-IQ Verifiedベンチマークでは52.06で、単体の48.07を上回りました。エージェントをClaude Opus 5に替えると、他のテストでは成功率が低かったにもかかわらず、最高の53.75を記録しました。著者は、10件の生成タスクのコストを動画生成料金で42.99ドルとモデルのトークン代と見積もり、動画1本あたり約7〜12分かかるとしています。
この手法は既知の弱点を回避しています。汎用の評価器や動画モデルは物理の判断が苦手ですが、シミュレーターは判断する必要がなく計算するだけです。その意味で、動画モデルにプロンプトを工夫し続けるよりも、いまコーディングツールで一般的になった検証器主導のエージェント設計に近いものです。
限界は大きいものです。これはarXivのプレプリントで、査読を受けていません。再帰的な自己改善という打ち出し方は目標にすぎず、論文自身の限界の節でも、完全な学習ループには弱点の発見とデータ選別をつなぐ必要があるとしています。結果はシミュレーターがカバーする範囲や想定した素材に左右されます。一対比較の勝率は著者1人が盲検化せずに採点したもので、自動の品質指標ではPhysLoopは単体の生成モデルをわずかに下回っています。