動画生成AIはなぜ「物が落ちる」と分かるのか｜重力を学ぶ仕組みと限界

コップを倒したら、中の水がこぼれる。当たり前の光景ですが、AIにこれを映像で作らせようとすると、意外なほど難しい問題になります。水はどこへ流れ、コップはどう転がるのか。誰も一つひとつ指示していないのに、動画生成AIはこうした動きをそれらしく描き出します。いったい、どこで「物の動き方」を覚えたのでしょうか。

映像を「小さなブロック」に分けて学ぶ

動画生成AIの学習のもとになるのは、インターネット上などにある膨大な動画です。AIはまず、その映像を短い時間ごと、そして画面の小さな区画ごとに切り分けます。この区画のことを「パッチ」と呼びます。ちょうど、大きなモザイク画を小さなタイルに分けて考えるようなものです。

AIはこのタイルの並びを大量に見ていくうちに、「人が歩けば足が交互に前に出る」「ボールを放れば放物線を描いて落ちる」といった、映像に繰り返し現れるパターンを少しずつ身につけていきます。物理の教科書を読んだわけではなく、何度も見た映像の中から「こう動くことが多い」という規則性を拾い上げているのです。

砂嵐から映像を浮かび上がらせる

では、実際に映像を作るときは何が起きているのでしょうか。ここで登場するのが「拡散（かくさん）」という考え方です。

まず、画面いっぱいに白黒の砂嵐のようなランダムなノイズが用意されます。AIはそこから少しずつ不要なざらつきを取り除き、指示した内容に近づけていきます。この作業を何十回も繰り返すうちに、砂嵐だった画面が、鳥が飛ぶ空や波打つ海へと変わっていきます。彫刻家が石のかたまりから少しずつ像を削り出す作業に近いかもしれません。

このとき、映像を時間の流れごと一塊として扱う仕組みが使われています。一枚の絵を描く技術を、時間方向に広げたものだと考えると分かりやすいでしょう。

「戻ってくる物」を覚えていられる理由

動画生成AIの面白いところは、一度画面から消えた人物や物を、再び現れたときに同じ姿で描ける点です。たとえば、部屋を横切ってドアの外へ出た人物が、数秒後に戻ってきても、服の色や髪型が変わっていない。AIは映像全体のつながりを保ちながら、登場する物や人の状態を記憶しているような振る舞いを見せます。

また、カメラの動きも指示できます。ゆっくり近づく、上空から見下ろす、横に流れるように追う、といった具合です。こうした動きが加わると、ただの映像が映画のワンシーンのように感じられます。

それでもAIが間違えること

ただし、AIが物理を完全に理解しているわけではありません。複雑な動きになると、つじつまの合わない映像が生まれることがあります。

• 人が後ろ向きに歩いているのに、体の向きだけ前を向いている
• コップが割れる前に、割れる音や破片が先に現れる
• 物を持ち上げる手の指が、途中で増えたり消えたりする

これらは、AIが「見た目のパターン」を再現しているだけで、重力や衝突のルールを数式として理解しているわけではないことの表れです。長い動画になるほど、こうしたほころびが現れやすくなります。

作られた映像だと分かる仕組み

こうした映像が本物と見分けにくくなると、偽の情報に使われる心配も出てきます。そのため、生成された動画には、どこで作られたかを示す情報（C2PAと呼ばれる来歴データ）や、目に見える・見えない透かしが埋め込まれる仕組みが取り入れられています。

とはいえ、こうした印がすべての偽動画を見つけ出せるわけではありません。大切なのは、映像の見た目だけで真偽を決めないことです。公式の発表元や別の情報源と照らし合わせる習慣が、いちばん確かな備えになります。

動画生成AIは、物理の法則を「知っている」のではなく、膨大な映像から「こう動くことが多い」という傾向を学んでいます。だからこそ、自然な動きも作れる一方で、見慣れない場面では不自然な結果も生まれます。仕組みを知っておくと、生成された映像をどこまで信じるべきか、自分で判断しやすくなります。