World Labs / Marble
Fei-Fei Li 2025 · 論文
一行要約 — Fei-Fei Liのスタートアップ企業World LabsによるMarbleは、画像・動画・テキストのプロンプトから、永続的でナビゲート可能な3D世界をガウシアンスプラットシーンとして生成し、「Spatial Intelligence」を言語に続く次の基盤モデル能力として位置づける。
問題
3Dシーンへの既存の経路は2つの極端な立場に位置している。再構成手法(NeRF、3D Gaussian Splatting)は、実在する場所に対する数十枚のポーズ付き入力画像を必要とし、観測されたものしか再現できない。動画生成器(Sora、GAIA-1)は単一のプロンプトから説得力のある映像を作り出すが、その出力は永続的な背後シーンを持たない2Dピクセルストリームである — 目を逸らして戻ると、世界は変わってしまっているかもしれない。World Labsは、世界モデルは「3D世界を再構成・生成・シミュレートする」べきであり、人間やエージェントがそれと相互作用できるようにすべきだと主張し、その出力が明示的で永続的な3D世界である生成モデルとしてMarbleを構築する。
手法とアーキテクチャ
Marbleは商用システムであり、論文、数式、学習の詳細は公開されていない。以下は、World Labsの発表(“Marble: A Multimodal World Model”、2025年11月12日)に記載されているシステムレベルのパイプラインである。
- マルチモーダルプロンプトから3Dへ: Marbleは、テキスト、単一画像、複数画像、動画、あるいは粗い3Dレイアウトを、完全な3D世界へと持ち上げる。複数画像プロンプトは、異なる視点を世界の異なる部分に割り当て(例えば前面/背面)、Marbleはそれらを1つの一貫したシーンへと縫い合わせる — 実在する場所の写真や短い動画から構築された世界も含む。
- Chisel — 構造/スタイルの分離: 実験的なモードで、ユーザーが粗い3D幾何(ボックス、平面、インポートされたアセット)を配置して世界の構造を固定し、テキストプロンプトがそのスタイルを制御する。両者は任意の組み合わせで混合できる。
- AIネイティブな世界編集: 生成された世界に対する局所的な編集(物体の削除/置換)、スタイル変更、大規模な再構造化。領域選択的な**拡張(expansion)**は、スプラットが劣化していた箇所に世界を成長させて詳細を追加する。コンポーザーモードは、明示的なユーザー制御によるレイアウトの下で、複数の生成された世界を大きな空間へと組み立てる。
- エクスポート: 最高忠実度の表現としてのガウシアンスプラット(World Labsのオープンソースのthree.jsレンダラーであるSparkを介してブラウザ内でレンダリング)、2種類の三角メッシュ — 物理演算用の低忠実度なコライダーメッシュと高品質な視覚用メッシュ — そして、ピクセル精度のカメラ制御を伴う動画レンダリング(カメラパスと3D構造を保持したまま、動的要素(煙、炎、流れる水)を加えて「強化」することも可能)。
- 文脈: 2024年12月の”Generating Worlds”プレビューと2025年10月のリアルタイムフレームモデルRTFMに先行され、その後2026年1月に公開のWorld APIが続いた。Fei-Fei Liによる付随のマニフェストは、3D空間を知覚し、それについて推論し、その中で行動する空間知能を、AIの次のフロンティアとして位置づけている。
基盤となるモデルが非公開であるため、ここでは数式を示すことはできない。このノートはプロダクト/システムの説明として扱ってほしい。
実験結果
定量的なベンチマークは公開されていない。公に示された結果は質的なものである。単一画像、テキスト、複数画像、動画のプロンプトから、多様なシーンタイプと芸術的スタイルにわたって、ナビゲート可能で視点整合性のあるガウシアンスプラット世界が生成される。Chiselによる構造制御生成、編集・拡張・合成された世界、そしてメッシュ/動画エクスポート(発表記事内のほぼ全ての動画は、Marbleの世界から直接レンダリングされたものである)。これらの実演はWorld Labsのブログを参照のこと。主張は独立に検証することができない。
SLAMにおける意義
MarbleはSLAMが生み出すのと同じ出力アーティファクト — 一貫性のある、レンダリング可能な3Dシーン — を目標としているが、測定によってではなく事前分布からの生成によってそれを得ており、これによりセンサに基づくマッピングが本当に必要となるのはいつかという問いが鮮明になる。そのエクスポート形式(ガウシアンスプラット、コライダーメッシュ)は、現代のSLAMやロボティクスシミュレーションが実際に消費している表現そのものであり、具体的なハイブリッド利用の可能性を示唆する。SLAMマップの未観測領域を、ありうる幾何で埋めること、探索のためのマップ事前分布を提供すること、そしてSLAMやナビゲーションスタックを検証するためのフォトリアリスティックな3D環境を提供することなどである。AIの最も著名な研究者の一人による商用プロダクトとして、これはまたSpatial AIが研究上のビジョンからプロダクト競争へと移行したことも示している。