ゲーム生成データがAIトレーニングで最も過小評価されているリソースである可能性がある

AI企業は過去5年間、インターネット上で公開されているあらゆる文章、画像、データの断片を消費してきた。その供給は有限であり、これまで依存してきた進歩の速度を支えるだけのデータが残らなくなる地点に近づいている。

しかし、AI業界がほとんど見落としてきた明白な候補がある。

私はゲームシステムの構築を生業としている。毎日そこを流れるデータは、大半のAI研究者が扱ったことのあるものとはまるで違う。それでもゲーム業界の外では、ほとんど誰も注目していない。

ゲームプラットフォームは毎日テラバイト単位の行動データを生み出す。リアルタイムの意思決定、経済活動、社会的交流の構造化された流れであり、すべて一貫した物理法則を持つ環境で発生する。

このデータはほとんどAIの訓練に使われていない。使ってきたDeepMindやNVIDIA (NVDA ) などは、この分野でも特に重要な突破口を生み出してきた。

AIのデータ問題

Epoch AIの研究は、公開されている人間生成の文章データの蓄積が2026年から2032年の間に使い尽くされると予測している。ChatGPT、Gemini、Claudeを支えるモデルは、インターネットが提供するものを実質的にすべて消費している。

業界の定番の回避策は、合成データ、つまりAIが生成した文章を再びAIに与えることだ。しかし、自らの出力で訓練されたモデルは、研究者がモデル崩壊と呼ぶ、記録された現象によって時間とともに劣化する。

私がこの分野に必要だと考えるのは、因果関係がリアルタイムで生じ、すべての行動に測定できる結果が伴う、豊かで対話的なマルチモーダル情報だ。ゲームはまさにそれを、ほかではほぼ匹敵できない規模で生み出す。

ゲームプラットフォームは毎日テラバイト単位の行動データをシステムに流す。プレイヤーの動き、戦略上の選択、反応時間、経済取引、社会的交流が、構造化されタイムスタンプの付いた流れを通る。大半のAI研究者はこれに触れたことがない。

ゲーム生成データに関する最近の学術論文は、この情報を九つのカテゴリーに分ける分類体系を示し、その圧倒的多数がAI業界ではまったく未活用だと論じている。

私自身の経験からもそれは確認できる。毎日ゲームシステムを流れるデータ量は、AI研究のほかの分野なら金鉱と見なされるだろう。ゲームでは単に保存されるか捨てられる。

ゲームデータはなぜ違うのか

ゲームエンジン内で長く開発していると、AI分野の誰もまだ求めていない構造化データを大量に持っていることに気づく。各セッションは同期した物理、プレイヤーの行動、システムレベルの因果関係を、ほかでは見つけにくい規模で生成する。

ゲームエンジンは物理法則を適用する。物体は一貫した規則に従って落下し、衝突し、壊れる。したがってデータには、モデルが文章の相関から推測するパターンとは違い、システムレベルで因果関係が組み込まれている。

プレイヤーが飛翔体を発射すると、エンジンは軌道、空気抵抗、衝撃を計算する。AIは物理法則を統計的近似として扱う環境ではなく、あらゆる相互作用を通じて物理を直接示す環境から学ぶ。

マルチモーダルな整合の問題もある。ゲームでは映像、音声の合図、プレイヤー入力、環境の状態が同時に発生し、一緒に記録される。この自然な同期を現実のデータセットで再現するには莫大な費用がかかる。研究者は通常、各モダリティを手作業でラベル付けして整合させる必要があるからだ。

ゲームは手続き型コンテンツ生成を通じて大量のエッジケースも生む。No Man’s Skyには1800京個の独自の惑星がある。この多様性はAIにとって極めて重要だ。エッジケースによって、モデルが安定して動くか、危険な失敗をするかが決まる。

そして、最も価値が高いかもしれない性質が創発的な複雑性だ。OpenAIが単純なかくれんぼゲームにエージェントを配置すると、数億ラウンドにわたり、六つの異なる高度な戦略段階を完全に自力で発達させた。

エージェントは移動可能な物体で避難所を作り、坂で防御を突破し、物理の不具合を利用して箱に乗り壁を越えた。どれもプログラムされた行動ではない。ゲーム環境内の競争からすべてが生まれ、その行動を指示するコードは一行もなかった。

こうした自己生成型の複雑性こそAI研究が大規模に必要としているものだ。ゲームは、費用のかかる人間の監督なしに、それを確実に生む唯一の環境である。

ゲーム盤からノーベル賞へ

ゲームで訓練されたAIが現実世界に応用できる最も明確な証拠は、その後ノーベル賞につながったシステムだ。なぜゲームとAIを軸にキャリアを築いたか尋ねられると、私はいつもこの例に戻る。

DeepMindは2016年にAlphaGoから始め、次に人間の知識なしにチェス、囲碁、将棋を独学するAlphaZeroを作った。そのアーキテクチャはAlphaFoldの基礎となり、AlphaFoldは50年来のタンパク質折り畳み問題を解決し、開発者に2024年のノーベル化学賞をもたらした。

DeepMindのCEO、Demis Hassabisはこの発展経路について公に語っている。彼はScientific Americanに、ゲーム自体は決して最終目標ではなく、現実の科学問題に応用する前にAI技術を開発し試す最も効率的な方法だったと話した。

それを読んだとき、ゲーム開発の内側で何年も見てきたことを、誰かがまさに言葉にしてくれたと感じたのを覚えている。

この経路はその後、分野全体で繰り返されている。OpenAIが最初にGymnasiumを通じて標準化した強化学習環境は、現在、ロボット工学、自動運転車、産業自動化の研究を支える。

エージェント、環境、行動、報酬というゲームに似た構造は、研究上の利便性から始まり、物理世界で行動する必要のあるあらゆるAIシステムの標準的な枠組みになった。

新しいシミュレーション層としてのゲーム

2025年12月、NVIDIAはNitroGenを公開した。1000以上のゲームにわたる4万時間のプレイで訓練された基盤モデルだ。公開されているプレイ動画を見て、コントローラーの操作表示からプレイヤーの行動を抽出し、生の画素から直接ゲームを学ぶ。

一度も遭遇していないゲームで、NitroGenはゼロから訓練したモデルに比べてタスク成功率が最大52%向上する結果を示した。しかし本当の重要性は、その下にあるアーキテクチャにある。

NitroGenはNVIDIAのGR00Tロボティクス基盤上で動く。これは同社がIsaac Simプラットフォームで物理AIとシミュレーションから現実への移行に使うものと同じ基盤だ。ゲームエージェントと工場ロボットは同じ基礎システムを共有する。

NVIDIAのJim Fanは、このプロジェクトを「あらゆる環境で操作を学ぶ汎用モデル」、つまり「行動のGPT」を構築する試みと表現した。

これらのモデルが消費するものとまったく同じ種類のデータを生むゲームシステムの開発者として、このことが自分の業界に持つ意味はいくら強調してもしすぎることはない。

これはNVIDIAに限らない。Waymoは自動運転車の訓練のため、200億マイルを超えるシミュレーション走行を記録した。すべてゲームエンジン型の環境で、実際の道路で試すには危険すぎる、またはまれすぎる状況を再現する。

ゲームエンジン上に構築された外科手術プラットフォームは、訓練生の成績を劇的に改善している。都市計画担当者も同様の道具を都市規模の交通最適化に利用する。

ゲームエンジン上に構築された外科手術プラットフォームは、訓練生の成績を劇的に改善している。都市計画担当者も同様の道具を都市規模の交通最適化に利用する。ゲームエンジンは、AIが環境との相互作用で学ぶ必要のある場所で、普遍的なシミュレーション層になった。

誰も語らないインフラ

AIインフラの議論は通常、データセンター、GPU群、計算資源を指す。ゲームに携わってきた長年を通じて、AI分野の人がゲーム環境を同じ文脈で挙げた回数は片手で数えられる。この隔たりは急速に解消するだろう。

従来のデータセットが枯渇すれば、これはさらに明らかになる。最も豊かな対話データを生む業界がAI研究の中心へ移るのは避けられない。ゲーム、シミュレーション、仮想世界は、ほかの何よりもこの不足を埋める好位置にある。

資金はすでにこの流れを追っている。ゲーム分野のAIは2025年に45.4億ドルと評価され、2035年には810億ドルに達すると予測される。

私が話す大半のゲームスタジオは、今も自らを娯楽企業と考えている。しかし、システムが次世代AIモデルの訓練に必要なデータをまさに生み出すなら、計画していたかどうかにかかわらず、すでにインフラ事業に携わっている。