ByteDanceのワールドモデル、Zhang YimingをGoogle・Metaとの競争へ

報道によると、ByteDanceは毎秒20フレームで空間動画を生成するワールドモデルを準備しており、インタラクティブAI分野でGoogleとMetaに挑もうとしている。

このシステムは固定された動画を生成するのではなく、ユーザーの動きや音声に反応する仮想環境を作り出すという。プロジェクトに詳しい関係者によれば、創業者のZhang Yimingが開発を直接監督している。

報じられたByteDanceのワールドモデルが重要なのは、AI研究所のなかでも併せ持つ例が少ない3つの資産を結び付けるためだ。ByteDanceには動画モデル、クラウドインフラ事業、そしてユーザーへの直接的な導線となり得るPicoヘッドセットがある。

Google DeepMindとMetaはすでに、物理環境を理解するAIシステムへ向かう重要な道筋としてワールドモデルを位置付けている。ByteDanceはいま、その仮説をより商業的に統合した形で試そうとしているようだ。

中心的な問いは、ByteDanceが印象的な映像を生成できるかどうかではない。人間や機械が対話したとき、生成シーンが反応性、一貫性、有用性を保てるかどうかだ。

ByteDanceのワールドモデルは生成クリップの先へ進む

ByteDanceは、動画生成を、利用中にも変化し続ける環境へと転換しようとしていると報じられている。

9月7日に公開された空間動画に関する報道によれば、このプロジェクトはByteDanceの既存動画生成技術であるSeedanceを基盤に構築されている。スケジュールはなお流動的だが、早ければ10月にも公開される可能性がある。

報道時点で、ByteDanceはこのモデルを公表していなかった。同社はBloombergの取材にもコメントを提供していない。そのため、公開時期、製品名、アクセスモデル、技術アーキテクチャはいずれも未確認のままだ。

この留保は重要である。報じられた性能は、従来型AI動画からの大きな転換を示すことになるためだ。現在の動画生成ツールは一般に、プロンプト、画像、参照動画を受け取った後で、完成したクリップをレンダリングする。

インタラクティブなワールドモデルは異なる仕組みで動く。行動後に環境がどう変化すべきかを予測し、インタラクションを維持できる速度で次の視覚状態を生成する。

報じられたシステムは、クラウド上で毎秒およそ20フレームの動画を生成するという。入力から画面上の反応までの遅延であるレイテンシーは、約0.05秒になるとされる。

これらの数値は匿名の情報源に基づくもので、独立したベンチマークによる検証はされていない。確立された製品性能ではなく、報じられた目標値として扱うべきだ。

ByteDanceがこの目標を達成すれば、ユーザーは音声や身体の動きに反応する生成空間に入れる可能性がある。報じられた用途には、ゲーム、ライブ配信、短編ドラマが含まれる。

視聴者はキャラクターに近づくことで物語を変えられるかもしれない。ライブ配信のホストは、完成したクリップのレンダリングを待たずに生成セット内を移動できる可能性がある。

ゲーム制作者はシーンを説明し、従来のアセットを制作する前にその空間を探索できるかもしれない。こうした例は、ByteDanceが実際の操作方法と制作上の制約を明らかにするまでは、あくまで想定用途にとどまる。

このプロジェクトは、ByteDanceのXRハードウェア事業であるPicoと連携することが想定されているという。負荷の大きい生成処理はクラウドが担い、ヘッドセットは入力の取得と結果の表示を担う。

この分担により、ヘッドセット側で必要な処理能力を抑えられる可能性がある。一方で、ネットワークの信頼性、クラウド容量、運用コストがユーザー体験の中心的な要素になる。

ByteDanceはすでに、Seed組織の中でマルチモーダル対話やロボティクスと並べてワールドモデル研究を掲げている。公開されているSeedモデルカタログも、動画、画像、音声、マルチモーダル理解にまたがるポートフォリオの拡大を示している。

ただし、このカタログは報じられた空間モデルを裏付けるものではない。匿名情報源が述べた仕様ではなく、その周辺にある技術プログラムの存在を示すにとどまる。

したがって、直近の変化は完全に実証済みというより戦略的なものだ。ByteDanceは、生成メディアから継続的に生成される環境へと移行しつつあるように見える。

この動きは、Google DeepMindのインタラクティブシミュレーション研究に直接的な圧力をかける。また、物理的状況がどう展開するかを機械に学ばせようとするMetaの取り組みとByteDanceを並び立たせることになる。

Zhang YimingがAI競争に自ら戻る理由

Zhang Yimingの関与が報じられていることは、ByteDanceがワールドモデルを単なる実験的なメディア機能ではなく、会社全体を賭ける取り組みと見ていることを示唆する。

Zhangは2021年にByteDanceの最高経営責任者を退任した。新プロジェクトを彼が監督しているとされることは、この取り組みに通常の製品拡張以上の重みを与える。

Bloombergの記事は、彼をMetaのチーフAIサイエンティストであるYann LeCunやWorld Labs創業者のFei-Fei Liと並べている。両者は、AIがテキストインターフェースを超えて機能するには、より豊かな空間理解が必要だと主張してきた。

大規模言語モデルは単語や他のトークンにおけるパターンを予測する。一方、ワールドモデルは、エージェントの行動の影響も含め、環境がどのように変化するかを表現しようとする。

この違いは、ロボット、自律システム、ゲーム、XRにとって重要だ。いずれにも、次の瞬間についてもっともらしい画像だけでは足りない。

有用なシステムは、物体、位置、視点、因果関係を維持しなければならない。ユーザーが振り返った場合、先ほど見えていた椅子は環境内で置かれた位置に残っているべきだ。

ロボットがカップを押した場合、予測される結果は接触、方向、近くの障害物を反映しなければならない。視覚的な品質だけでは、その種の信頼性を確立できない。

ByteDanceは、動画配信と生成に関して豊富な経験を持つ。TikTokとDouyinは、視覚コンテンツのランキング、圧縮、配信、分析に関する長年の運用経験を同社にもたらした。

この経歴が、信頼できるワールドモデルを自動的に生み出すわけではない。しかし、研究中心の新規参入者が別途獲得しなければならないインフラと製品知識をByteDanceにもたらしている。

Seedanceも別の出発点となる。このモデル群は、複数の被写体、カメラ切り替え、連動する視覚シーケンスを含む、制御可能な動画制作のために設計されている。

報じられたプロジェクトは、こうした強みを低レイテンシーの予測へと転換する必要がある。これは、オフラインで生成するクリップの映像品質を高めることとは別の課題だ。

新たなユーザー入力のたびに、モデルが次に生成すべき内容は変わる。システムは、シーンのアイデンティティ、幾何構造、履歴を失わずに応答しなければならない。

Zhangの関与は、市場機会がエンターテインメントを超えることも示している。インタラクティブシミュレーションは将来的に、ロボット訓練、自律ナビゲーション、合成データ生成を支援できる可能性がある。

合成データは、AIシステムの訓練やテストにコンピューター生成の事例を使うものだ。現実世界のデータが不足している、危険である、高価である、あるいはラベル付けが難しい場合に価値を持つ。

ロボット開発者は、すべての部屋を実際に作ることなく、多数の部屋のレイアウトを検証できる。自律システムは、珍しい天候や交通状況が実際に起こるのを待たずに体験できる。

ただし、有用な訓練データは、実運用で重要となる規則を保たなければならない。物理法則に一貫性がなければ、視覚的に説得力のあるシミュレーションでも誤った学習をさせる可能性がある。

ByteDanceはすでに、単一画像からシミュレーション対応アセットを作成するシステムSeed3Dを通じて、この問題を探求している。同社の技術レポートは、多様な動画シミュレーションと明示的な物理フィードバックの間に隔たりがあると説明している。

Seed3Dの研究では、動画ベースのアプローチはコンテンツを拡張できる一方で、信頼性の高い3D一貫性を欠くことが多いと論じている。従来の物理エンジンはより強い動力学を提供するが、高コストな手作業によるアセット制作を必要とする。

このトレードオフは、報じられた空間モデルが注目に値する理由を説明する。ByteDanceは単に流行のカテゴリーに加わっているのではない。

同社は、動画生成、3Dアセット、シミュレーション、マルチモーダルエージェントという別々の技術を組み合わせようとしているようだ。未解決の問題は、それらの要素が一つの一貫したプラットフォームを形成できるかどうかである。

Google DeepMindが最も明確な競争相手

主要な競争はByteDance対Google DeepMindだ。両社はいずれも、リアルタイムで描画され、探索可能な世界を追求している。

Googleは、テキストからインタラクティブ環境を作り出す汎用ワールドモデルとしてGenie 3を発表した。ユーザーは、モデルが各シーンの展開を生成する間、その環境内を移動できる。

Googleによれば、Genie 3は毎秒24フレームで720p出力を生成できる。短い固定シーケンスだけを生成するのではなく、数分間にわたってインタラクティブ環境を維持できる。

これらの仕様は、報じられたByteDanceのシステムに明確な比較対象を与える。ByteDanceは毎秒20フレームを目標とし、極めて低い応答レイテンシーとPico統合を強調しているとされる。

フレームレートだけで競争の行方は決まらない。モデルは高速に更新できても、物体を忘れ、レイアウトを変え、物理的に不可能な反応を生成する可能性がある。

GoogleのGenie 3概要は、いくつかの制約を率直に示している。このシステムは、現実の場所を常に正確に再現できるわけではなく、文字を明瞭に描画できない場合があり、長時間のインタラクションを維持できないこともある。

こうした開示は、ByteDanceを評価する際の有用な基準となる。公開デモは、映画のような見た目だけでなく、継続性と制御性で評価されるべきだ。

Googleのユーザー向けプロトタイプであるProject Genieは、さらに実務的な制約を示している。Googleは、操作の遅延、ストリーム品質の低下、シーンの暗転、現実世界の物理法則への不完全な追従を記録している。

このプロトタイプには短いセッションという制限もある。Googleの既知の問題は、研究上の成果がいかに早く一般的な製品上の制約に直面するかを示している。

ByteDanceは、厳密に制御されたシステムでこうした弱点を突ける可能性がある。同社はモデル開発者、クラウド配信経路、コンテンツプラットフォーム、想定するヘッドセットブランドを所有している。

この統合により、エンジニアは動き、ネットワーク伝送、生成、表示の間にあるループ全体を最適化できる可能性がある。Googleには広範なインフラ上の優位性があるが、同等の消費者向けヘッドセットプラットフォームは保有していない。

ByteDanceには、動画クリエイター向けの確立されたツールもある。CapCut、Doubao、TikTok、Douyinは、インタラクティブ生成がヘッドセット外でも有用になった場合の配信チャネルとなり得る。

Googleには別種の強みがある。DeepMindには、強化学習、シミュレーション環境、ロボティクス、計画システムにおける長い歴史がある。

Googleはまた、Genie研究をGemini、Google Cloud、Maps、より広範なエージェント開発と結び付けられる。Street Viewを使った同社の実験は、ByteDanceが容易には再現できない地理データを提供する。

したがって、この競争は単純に中国対米国というものではない。生成環境を製品化するための、二つの異なる道筋の競争である。

Googleは、エージェントとシミュレーションを中心とする研究の系譜から出発する。ByteDanceは、動画制作、コンテンツ配信、自社保有のハードウェアエンドポイントから出発する。

最も強力なByteDanceのワールドモデルは、インタラクティブ生成をメディアサービスのように感じさせるだろう。最も強力なGenie製品は、シミュレーションをエージェントと人間のための汎用インターフェースへと変えるだろう。

オープンエンドで生成される世界が、長時間のセッションでも信頼性を保てることは、どちらの路線でもまだ示されていない。この共通の制約により、洗練されたデモが示唆するほど競争に大きな差はついていない。

ByteDanceは、モデルをどこまで公開するかも決める必要がある。Googleは対象ユーザーにProject Genieを開放しており、外部の観察者に不完全ながらも貴重な証拠を提供している。

ByteDanceが管理されたデモだけを公開する場合、得られる情報はより少ない。幅広いアクセス、再現可能なベンチマーク、あるいは開発者向けツールがあれば、選ばれたプロンプト以外でもモデルが機能することを示す、より強い証拠となる。

Metaは仮想ステージではなく物理的推論を構築している

Metaは主要なワールドモデル競合企業だが、その中核的な賭けはレンダリングされたエンターテインメントではなく、予測とロボット計画に置かれている。

Metaは2025年6月にV-JEPA 2を公開した。12億パラメータのこのモデルは、動画から表現を学習し、抽象的な特徴空間で将来の状態を予測する。

このアプローチは、目に見えるすべてのピクセルを生成する方法とは異なる。Metaのモデルは、理解や計画に重要な情報を捉える一方で、予測不可能な視覚的細部を無視しようとする。

MetaはV-JEPA 2を、100万時間超の動画と100万枚の画像で学習させた。その後、観測された変化をロボットの命令と結び付ける、行動条件付き学習を追加した。

同社はこの後段の学習で62時間分のロボットデータを使用した。Metaによれば、得られたシステムは、未知の物体や環境に対するゼロショット計画を可能にした。

ゼロショット計画とは、その特定の環境向けに追加学習を行わずにタスクへ取り組むことを指す。ロボットは次の動きを選ぶ前に、モデルを通じて可能な行動を評価する。

Metaのテストでは、システムは到達、物体の把持、移動といったタスクを実行した。特定のピック・アンド・プレース試験では、報告された成功率は65%から80%に達した。

これらの結果はMeta自身の研究と、定められた実験室条件に基づくものだ。制御されていない家庭や職場で動作するロボットにとって、一般的な信頼性を示すものではない。

Metaの物理的推論に関する研究でも、新しい評価ベンチマークにおいて、先進的なモデルと人間の性能の間に意味のある差があると報告されている。この隔たりは、この分野がまだ完成していないことを浮き彫りにする。

ByteDanceとの対比は有益だ。V-JEPA 2は、ヘッドセットを装着した人のために美しい世界をレンダリングする必要はない。

機械が行動を比較し、計画を立てるのに十分な正確さを持つ表現が必要なのだ。ByteDanceの報告されたシステムは、世界の構造を維持しながら、即座に可視的な出力を生成しなければならない。

視覚生成器と潜在予測器は、関連しつつも異なる問題を解決する。潜在とは、ユーザーに直接表示される画像ではなく、内部表現を指す。

ピクセル生成は直感的なインターフェースと魅力的なデモを提供する。一方で、エージェントが行動を選ぶ助けにならない可能性があるテクスチャ、照明、細部にも計算資源を費やす。

潜在予測は、タスクに関連する変化へ重点を置ける。しかし、クリエイター、ゲーマー、ヘッドセットユーザー向けの視覚環境を自動的に提供するわけではない。

ByteDanceは、生成動画の商業的な魅力と、シミュレーションの応答性を両立させようとしていると報じられている。これらの特性を組み合わせることは、いずれか一方を最大化するより難しい。

同社のより広範な研究は、ByteDanceがこの隔たりを理解していることを示唆する。Seed3Dは従来型の物理エンジンで利用することを想定したアセットを生成する一方、報じられた空間モデルはインタラクティブ動画を生成するものだ。

このことから、少なくとも2つの技術的ルートが考えられる。ByteDanceは主に学習済み動画予測に依存するか、あるいは生成機能を明示的なジオメトリおよびシミュレーション要素と組み合わせる可能性がある。

同社はどちらのルートを選んだか明らかにしていない。アーキテクチャの詳細がない以上、Metaとの比較は目的と観測可能な性能に限定すべきだ。

Metaは外部開発者にもV-JEPA 2のコードとモデルチェックポイントへのアクセスを提供している。これにより研究者はシステムをテストし、制約を調査し、競合する評価を構築できる。

ByteDanceは、報じられたモデルを公開するのか、API経由で提供するのか、あるいは自社製品内に留めるのかを明らかにしていない。配布条件は、ロボティクス研究における同社の影響力を左右する。

アクセスがPicoまたはByteDanceのアプリケーションに限定されたとしても、このモデルは成功した消費者向け製品になり得る。ただし、独立したロボティクスチームにとって共有基盤としての価値は低くなる。

リアルタイム動画は信頼できる世界と同じではない

報じられたレイテンシーは数字の上では印象的だが、持続性、物理法則、コスト、安全性が、このシステムがインタラクティブ動画を超えるものかどうかを決める。

ワールドモデルは、起きたことを記憶しなければならない。生成映像が利用可能な環境となるのは、以前の行動が後の状態に影響し続ける場合に限られる。

たとえば、ユーザーがドアを開け、物体を動かし、数分後に戻ったとする。シーンは複数の視点から見ても、その変更を維持しているべきだ。

現在のインタラクティブ生成器は、こうした持続性に苦戦することが多い。細部はずれ、操作は遅れ、物体は可視フレームから外れると変化することがある。

長時間のセッションでは、予測における小さな誤差のすべてが積み重なる。モデルは自ら生成した状態を繰り返し文脈として利用するため、不整合が蓄積していく。

報じられた0.05秒のレイテンシーにも、明確な定義が必要だ。これはモデル推論、クラウド応答、あるいは完全なインタラクションループを構成する一要素を示している可能性がある。

ヘッドセット体験には、センサー、ローカル処理、ネットワーク伝送、サーバースケジューリング、生成、圧縮、表示が含まれる。エンドツーエンドのレイテンシーは、単一の内部測定値を上回る。

ネットワーク条件も別の変数となる。クラウド生成の世界はデータセンターの近くでは良好に動作しても、混雑したモバイル接続では応答が悪くなる可能性がある。

この課題は、拡張現実にとって特に重要だ。視覚応答の遅れは没入感を損ない、一部のユーザーに不快感を与えるおそれがある。

クラウドレンダリングはヘッドセットから処理を移すが、コストをなくすわけではない。プロバイダーは、すべてのアクティブセッションに対してフレームを繰り返し生成しなければならない。

固定動画は一度レンダリングして保存すれば、何度でも視聴できる。インタラクティブ環境では、各ユーザーの行動に応じた固有のストリームが必要になる可能性がある。

ByteDanceはモデル最適化、キャッシュ、予測可能なインタラクションパターンによって、この負担を相殺できるかもしれない。それでも、利用時の経済性は見出しになるフレームレートと同じくらい重要になる。

同社は、モデルがどのような制御をサポートするのかも示さなければならない。シーン内でカメラを移動させることは、信頼できる因果的結果を伴って物体を操作することより容易だ。

音声入力は、基礎となる空間システムを変えずにストーリーを変化させられる。移動追跡は、意味のある物理的インタラクションを可能にせずとも、視点に影響を与えられる。

ローンチでは、ナビゲーション、物語の制御、物体操作、エージェント学習を区別すべきだ。これらの能力を同等のものとして扱えば、モデルの実際の価値を曖昧にする。

評価も未解決の問題だ。動画ベンチマークは視覚品質やプロンプトとの整合性を評価することが多い一方、ロボティクスのベンチマークはタスク達成を測定する。

インタラクティブな世界には、記憶、制御可能性、応答時間、ジオメトリ、因果的一貫性に関する追加のテストが必要となる。また、分野固有の安全性評価も求められる可能性がある。

生成環境は、著作権で保護されたキャラクター、認識可能な場所、有害なシナリオを再現する可能性がある。空間メディアは、ユーザーが出力の内部に参加するため、新たな懸念を生み出す。

モデルは、物理的にはもっともらしく見える誤ったシミュレーションを生成する可能性もある。開発者がその出力をロボットや自律システムの学習に使う場合、このリスクは深刻になる。

不正確なシミュレーターで学習したロボットは、現実世界で危険な前提を繰り返すかもしれない。視覚的なリアリズムは、こうした誤りを見つけにくくする。

ByteDanceは、エンターテインメントに関する主張とロボティクスに関する主張を分ける必要がある。モデルは魅力的なゲームを支えられても、安全性が重要な計画に十分な信頼性を持つとは限らない。

同社の公開済みSeed3D研究は、この区別を認めている。研究者たちは、生成システムがより多様なコンテンツを提供する場合でも、解釈と安全性には明示的な物理法則が重要だと述べている。

この記述は、報じられたByteDanceのワールドモデルが物理法則をどう扱うかを明らかにするものではない。ただし、ByteDanceの研究者が根本的なトレードオフを認識していることは示している。

独立したアクセスがあれば、これらの疑問への回答に役立つ。研究者には、反復試験、敵対的プロンプト、長時間セッション、測定可能なインタラクションタスクが必要だ。

選別された動画では、失敗頻度を示せない。また、通常のネットワーク、複雑な環境、同時利用者のもとで出力品質が維持されるかも確立できない。

こうしたテストが存在するまで、ByteDanceの報じられた仕様は野心的な設計目標にとどまる。同社がワールドモデルを完成させた証拠ではまだない。

ByteDanceが差を埋めたかどうかを示す3つのシグナル

この競争の次の局面は、製品リリース、測定可能な持続性、そしてシステムがエンターテインメントのデモを超えることを示す証拠によって決まる。

最初のシグナルは、ByteDanceが示唆されたスケジュールで報じられたモデルをローンチするかどうかだ。10月のリリースは、このプロジェクトが社内研究を超えたという主張を裏付けることになる。

リリースの形態も重要になる。Pico体験、クリエイターツール、公開デモ、API、研究用チェックポイントは、それぞれ異なる成熟度を示す。

限定的なヘッドセット展示は、ByteDanceの統合製品戦略を裏付けるだろう。しかし、外部開発者が信頼できるアプリケーションを構築できることまでは示さない。

2つ目のシグナルは、公開テスト下での持続的なインタラクションだ。ByteDanceは、現実的なネットワーク条件でのセッション時間、解像度、フレームレート、エンドツーエンドのレイテンシーを開示すべきだ。

レビュアーは、物体とレイアウトがフレーム外に出た後も維持されるかをテストすべきである。長時間のインタラクション中に誤差がどれほど速く蓄積するかも測定すべきだ。

明確な結果が得られれば、ByteDanceのワールドモデルがGenie 3と直接競合するという見方が強まる。短く、演出されたデモはその比較を弱める。

3つ目のシグナルは、物理システムへの橋渡しだ。ByteDanceは、ロボティクスや自律エージェントの評価を支える、行動条件付きシミュレーションをモデルが生成できるかどうかを示すべきだ。

その証拠は、タスクベンチマーク、ロボティクス企業との提携、または同社のシミュレーション対応3D技術との統合という形を取り得る。視覚的な洗練度より、再現可能な成功のほうが重要になる。

この橋渡しがなければ、ByteDanceはなお重要なエンターテインメントプラットフォームを構築できるかもしれない。しかし、MetaやGoogle DeepMindに結び付けられる、より広範なワールドモデルのビジョンより狭い位置付けにとどまる。

開発者は、技術的性能とともにアクセス条件にも注目すべきだ。APIまたはダウンロード可能な研究成果物があれば、独立チームは持続性と制御性をテストできる。

企業の購入担当者は、信頼性、データガバナンス、総推論要件に焦点を当てるべきだ。応答性の高いプロトタイプが、自動的に経済的な本番システムになるわけではない。

クリエイターは編集可能な制御に注目すべきだ。有用かどうかを問うべきなのは、改訂、キャラクターの移動、分岐する物語を通じてもシーンが一貫性を保つかという点だ。

ナレッジワーカーには、別の理由で注目する価値がある。ワールドモデルは、AIが意思決定を提案する前に、シミュレーション内で行動を試せるインターフェースを示唆している。

この考えはまだ初期段階にあるが、人々が製品コンセプト、訓練シナリオ、運用計画をレビューする方法を変える可能性がある。デモが増えるにつれ、検証済みの研究を整理しておく重要性は高まる。

検索可能なAIナレッジベースを中心に構築されたツールは、開示済みの仕様、報道ベースの主張、その後のベンチマーク結果をチームが区別する助けとなる。

ByteDanceは、同社の空間システムがインタラクティブな生成でGoogleに、物理的推論でMetaに匹敵できることを、まだ証明していない。この報道は、同社が両方の領域で競争する意図を持っていることを示している。

その意図だけでも、市場は変化する。GoogleとMetaがこの分野で向き合う相手は、もはや研究所や特化型シミュレーションのスタートアップだけではない。

両社は、グローバルな動画プラットフォーム、クリエイター向けソフトウェア、クラウドインフラ、自社のヘッドセット販売チャネルを持つ企業と対峙する可能性がある。こうした資産は、ByteDanceに導入を広げる複数の道筋を与える。

より難しい検証は、外部ユーザーが最も印象的なデモの範囲を超えてシステムを試せるようになった時点で始まる。新鮮さが薄れた後も、その環境は記憶し、応答し、一貫したルールに従うのだろうか。

ByteDanceがこれらの問いに対して再現可能な証拠を公開すれば、その世界モデルはAI動画における単なる次の一歩以上の意味を持つことになる。それまでは、この競争はまだ決着していない。

ローンチの形式、安定したインタラクションが続く時間、そしてロボティクスでの検証に注目したい。これらのシグナルを総合すれば、Zhang Yimingが信頼できる世界シミュレーターを構築したのか、それとも並外れて応答性の高いメディア生成器を作ったのかが見えてくる。