1枚の写真の中を、歩き回れるようにする — AdobeとJHUのワールドモデル「Wonder」

動画生成AIは、この1年でずいぶん「見栄えのする映像」を作れるようになった。ただ、そのほとんどは受け身の体験だ。プロンプトを投げ、出てきたクリップを眺める。視聴者はカメラが動く先を選べない。決められたレールの上を流れる映像を見るだけだ。

Adobe ResearchとJohns Hopkins大学が7月29日に発表した Wonder は、その前提をずらそうとしている。1枚の静止画、あるいは1本の動画を入力すると、そこから「歩き回れる」永続的な3D空間を生成する——ユーザーは前後左右・上下の6方向に、リアルタイムで移動できる。掲げるのは「Video World Model Done Better」。動画生成を、鑑賞から探索へと変える試みだ。

何をするモデルなのか

Wonderは「ビデオワールドモデル」と呼ばれるカテゴリに属する。ざっくり言えば、静止画や動画を手がかりに、その場面の奥行きと周囲を推定し、カメラを動かしても破綻しない連続した世界を生成し続けるモデルだ。

生成は16fpsで、分単位の長さのナビゲート可能な映像として出力される。数秒で途切れるのではなく、「そこに存在し続ける空間」として振る舞う点が肝になる。

技術的な工夫として挙げられているのが、密なカメラ座標による条件付け、スパースアテンションを使ったメモリ、そして改良版の蒸留（distillation）だ。もう少し噛み砕くと、Wonderは3Dのスキャフォールド（骨組み）と環境マップで合成的なカメラ空間をレンダリングし、カメラの平行移動や回転を「フレームに揃った視覚的な手がかり」に変換する。カメラがどう動いたかを、モデルが確かな根拠として受け取れるようにしている、というわけだ。この「メモリ」があることで、一度見た場所に戻ってきたときの一貫性が保たれる。

同名の別物に注意

紛らわしいのだが、2026年夏には「Wonder」という名前のAIが複数出ている。Autodesk Flow Studioが出したのは、テキストや画像から編集可能な3Dアセットを作る別プロダクトだ。この記事で扱っているのは、あくまでAdobe ResearchとJohns Hopkinsによるビデオワールドモデルの方。同じ名前で用途が違うので、調べるときは発表元を確認したほうがいい。

これがあると何が変わるか

正直、現時点のWonderは「今日から使えるプロダクト」ではなく、論文とプロジェクトページで公開された研究成果だ。だからここから先は、実現したら何が嬉しいかという話になる。

いちばん素直に効いてきそうなのは、インタラクティブな製品デモやバーチャルウォークスルーだ。1枚の物件写真から、内見のように部屋を歩き回れる。1枚の商品カットから、対象の周りを回り込んで見られる。これまで3Dスキャンや専用の撮影が要った体験を、手持ちの画像1枚から立ち上げられるなら、ECや不動産、観光の見せ方は変わる。

もう一歩踏み込めば、ゲームやシミュレーションの背景生成にも届きうる。歩き回れる空間を任意の画像から起こせるなら、ラフな設定画1枚を「探索可能なロケーション」に変える下地になる。ここは実現可能性にまだ幅があるが、もし精度と生成速度が実用域に乗れば、インディー制作の景色を一段変える力を持つ。

Adobeが関わっているという点も、地味だが見逃せない。もしこの技術がFireflyのような同社の生成基盤に取り込まれれば、単発の研究デモでは終わらず、クリエイターが日常的に触れるツールの機能として降りてくる可能性がある。

冷静に見た距離感

期待を書いたので、留保も正直に書く。16fps・分単位という仕様は、探索体験としては十分に新しいが、なめらかな実時間インタラクションを求めるゲーム用途にはまだ物足りない。研究発表の段階なので、生成の破綻がどの程度起きるのか、複雑なシーンや人物の多い場面でどこまで一貫性を保てるのかは、これから各所で検証されていくはずだ。すぐに製品として触れるわけではない、という前提は押さえておきたい。

それでも、「動画を眺める」から「生成された世界を歩く」へと軸を動かそうとする方向性そのものは、素直に面白い。ワールドモデルはRunwayのGWM-1をはじめ各社が競い始めた領域で、Wonderはそこに「1枚の画像から、記憶を保ったまま探索できる」という具体的な旗を立てた。技術の詳細は プロジェクトページ で確認できる。この分野が数か月後にどこまで進むか、追いかける価値は十分にある。