Alibaba Amap (アリババ傘下・高徳地図) / amap-cvlab/2026-07
1枚の画像やテキストから、実際に歩き回ったり操作したりできる「探索可能な3D世界」をその場で生成し続けるAI。デスクトップGPU1枚でリアルタイム動作し、屋内・街路・都市上空まで幅広いシーンに対応する。
「world model(世界モデル)」と呼ばれるこの技術は、映像を作って終わりではなく、こちらの操作(前に進む・振り返る・別の方向を見るなど)に応じて次の景色をその場で生成し続ける点が特徴です。今回のバージョンは、一度作ったシーンが破綻せずに何時間でも探索を続けられる工夫(LongForcingという学習手法)と、生成した映像を裏側できれいな3D点群・Gaussian Splattingデータに変換する仕組みを両立させ、映像として「見る」だけでなく3Dデータとして「持ち帰れる」ところまで実現しています。広告・体験制作の観点では、1枚のロケーション写真や商品画像から、来場者がその場で歩き回れるバーチャル会場やブランド世界を素早く試作できる可能性があり、ロケハンやCGモデリングにかかる時間とコストを大きく圧縮できるかもしれません。
仕組みとしては、まず入力された画像や文章を「パノラマ画像+空間点群」という軽量な中間表現に変換します。次に、あらかじめ計画したカメラの動き(このあたりを見て、次はこっちに進む、など)に沿って、その中間表現を手がかりにパノラマ動画をAIが生成し続けます。最後に、生成された動画を解析して、写真のようにリアルな3D Gaussian Splattingの世界(実際に別angleから見返せる3Dデータ)へと変換します。 従来の「1枚の画像から3D空間を作る」技術の多くは、生成できる範囲が数秒〜数十秒の短い動画や、決まった範囲のシーンに限られていましたが、ABot-3DWorldは室内・街路・都市の上空まで一つの仕組みで扱える汎用性と、破綻なく延々と探索を続けられる持続性を両立させている点が新しさです。 利用のハードルは二段階あります。ブラウザからすぐ試したい場合は「ABot World Studio」というWebサービス(abot-world.amap.com)が公開されており、特別な機材なしで作品ギャラリーの閲覧や生成を試せます。一方、自分のPC環境で動かす場合はコードと学習済みモデルがGitHub/Hugging Faceで無料公開されているものの、快適に動かすにはNVIDIA RTX 5090クラスの高性能GPU(VRAM 19GB程度)が推奨されており、個人が本格的に使うにはそれなりの投資が必要です。ライセンスはApache 2.0で、商用利用も認められています。
コード・公開モデル(ABot-World-0-5B-LF)ともApache 2.0。自前で動かすにはRTX 5090クラスのGPUを推奨。オンライン版(ABot World Studio)ならブラウザから利用可能。
Tencentによる、テキストや画像から探索可能な3D世界を生成するオープンソースモデル
1枚の画像から歩き回れる3D世界を生成するNVIDIAの生成world model
数秒でどんな3DシーンでもGaussian Splattingとして生成するオープンソースツール