NVIDIA MotionBricks 徹底解説：35万クリップ・推論2msのリアルタイム動作生成AIはゲームとフィジカルAIをどう変えるか
SIGGRAPH 2026論文・NVIDIA公式実装（NVlabs/motionbricks）・Hugging Face公開モデルカード（G1約1.95億パラメータ）を徹底調査。約35万クリップ（約700時間・9,300固有スキル・36分類）からMulti-head VQ-VAEとMasked Token Transformerで30Hz全身軌道を生成し、RTX 5090で2.0ms（15,000 FPS）・RTX 4090 G1単体1.63ms・Jetson Orinで5msを実現する仕組みを分解。ゲーム開発における4,000通りの組合せ爆発解消とUE5導入の4つの制約、フィジカルAIにおける3層制御スタック（VLA × MotionBricks 30Hz × GEAR-SONIC 50Hz）と実機10Hz再計画、異種骨格リターゲティングの課題、ARDY・Kimodoとの比較、ONNXテンソル仕様、BONES-SEED年商100万ドル制限までを完全網羅する。
執筆・編集責任：日本フィジカルAI新聞 編集部
NVIDIAのMotionBricksは、人間やヒューマノイドの「次にどう身体を動かすか」を、膨大なモーションデータから学習した離散トークン生成AIでリアルタイムに決定する技術である[2,3]。従来は、歩く、走る、振り向く、しゃがむ、座るといった動作について、それぞれモーションを準備し、切り替え条件や動作間のつなぎ方を実装する必要があった。MotionBricksでは、現在の姿勢（Context Pose）と到達したい目標姿勢（Target Pose）などを指定することで、学習済みモデルが中間動作を生成する[2,4]。ただし、MotionBricksはロボットの万能制御AIではない。30Hzの目標動作を生成するAIであって、その動作を物理的に転倒せず安全に実行する全身制御AI（GEAR-SONIC等の50Hz制御器）とは別物であり、NVIDIA自身も公式モデルカードでこの区別を明記している[5,6]。
1. 最初に理解すべき3つの事実と実用化距離#
SIGGRAPH 2026採択論文、NVlabs公式実装、およびHugging Faceの公開モデルカードを照合すると、表面的なベンチマーク数字の誤読を防ぐためにまず押さえるべき3つの事実がある[2,4,5]。
論文によると、主要データセットは約35万クリップ、約700時間、9,300種類の固有スキル、36カテゴリーで構成される[2]。クリップ数とスキル数は明確に区別すべきである。
2. MotionBricksの仕組みを技術的に分解する#
MotionBricksの入力は「曖昧な自然言語」ではなく、直近4フレームの現在姿勢（Context Pose）、これから通過・到達したい1〜4個の目標姿勢（Target Pose）、身体全体の移動基準（Root Motion）、どの関節や時間を固定するかの指定（Constraints / Masks）という明確な数値条件である[2,4]。そこから全身の位置・関節回転・速度・足接地情報を含む連続3Dモーションを出力する。
公開モデルの規模（Unitree G1用モデルカードより）
Hugging Faceで公開されているUnitree G1向けモデルの総パラメータ数は約1億9,450万（約0.2B）であり、数十億〜数千億パラメータの巨大言語モデル（LLM）やVLAとは設計思想が根本的に異なる[5]。動作をコンパクトな離散潜在表現（Multi-head VQ-VAE）へ圧縮しているからこそ、ミリ秒単位の超高速推論が可能になっている。
| G1公開モデル コンポーネント | パラメータ規模 | 技術的役割 |
|---|---|---|
| Pose VQ-VAE | 約2,380万 | 複雑な全身動作をMulti-headコードブックの離散トークンに圧縮・復元するモジュール[5] |
| Pose Predictor | 約1億3,660万 | Masked Token Transformerにより周囲の姿勢制約から中間動作トークンを生成するメインモデル[2,5] |
| Root Predictor | 約3,410万 | 身体基準点（骨盤・腰）の移動経路・回転・到達タイミングを予測するモデル[5] |
| 合計（Unitree G1配布モデル） | 約1億9,450万 | 34関節内部表現から実機G1制御に必要な29関節角度＋骨盤位置・回転へ変換して出力[4,5] |
3. 元論文の性能評価・学習コスト・実機10Hz再計画の理由#
SIGGRAPH 2026論文（arXiv:2604.24833）の定量評価では、従来の拡散モデル（Diffusion Models）ベースの動作生成手法と比較して、推論遅延を約1桁短縮しながら高い動作自然性を達成している[2]。40人の参加者による1,200ペアの主観評価でも、86.5%のケースでMotionBricksの動作がより自然だと評価された[2]。
| 手法（論文 Table 3 / RTX 5090） | 推論遅延 | 生成速度 | 特徴・評価ポイント |
|---|---|---|---|
| MotionBricks | 2.0 ms | 15,000 FPS | 離散トークン生成で高速性と多様な全身協調動作を両立（主観評価で86.5%選好率）[2] |
| Closd-DiP | 15.3 ms | 4,200 FPS | 拡散モデルベース（リアルタイムで多数キャラクターやロボットを回すには重い）[2] |
| MMM | 18.1 ms | 3,600 FPS | マスク生成モデル（MotionBricksの約9倍の推論遅延）[2] |
| CondMDI | 33.2 ms | 1,930 FPS | 連続拡散インビトゥイニング（1回の推論に30ms超を要する）[2] |
| Conditional In-betweening | 2.4 ms | 27,000 FPS | 決定論的な補間方式（FPSは高いが多様な生成や複雑な全身協調運動に制約）[2] |
4. ゲーム開発での革新性：4,000通りの組み合わせ爆発解消とUE5導入の現実#
従来のAAAゲームでは、15,000以上のアニメーションクリップや5,000以上のステートを状態遷移グラフ（ステートマシン）やMotion Matchingで管理する事例がある[2]。たとえば「5種類の性格 × 5種類の移動状態 × 20種類のオブジェクト操作 × 8方向の接近角度」だけで4,000通りのアニメーションが必要になる。MotionBricksは、椅子の位置や接近方向が変わっても現在姿勢から目標着席姿勢への遷移をその場で生成できるため、アニメーション資産の組み合わせ爆発を生成モデル側へ吸収できる価値が大きい[2,3]。
プレイヤー発話（「そこに座って詳しく話して」） → LLM（発言・感情・行動決定） → 行動プランナー（最寄りの椅子・着席姿勢指定） → MotionBricks（歩行・方向転換・着席モーション生成） → ゲームエンジン（衝突判定・IK補正・表情・音声統合）
※ただし2026年10月26日時点で公開GitHubの中心はPython実装およびONNX/TensorRTランタイムであり、論文のUnreal Engine 5デモで使用された専用C++プラグインそのものは同梱されていない[4]。また、腰の椅子貫通防止や格闘ゲーム等の1フレーム単位の厳密な当たり判定は、ゲームエンジン側の物理・IKシステムで担保する必要がある[2]。
5. フィジカルAIへの応用：3層制御スタック（VLA × MotionBricks × SONIC）#
実機ロボット（Unitree G1）でMotionBricksを動かす場合、MotionBricks単体ではモーターを駆動できない。下表の通り、①何をすべきか決める認識・行動計画（VLA等）、②どう身体を動かすか決める動作生成（MotionBricks）、③転倒せず物理的に追従する全身制御（GEAR-SONIC等のWBC）という3層構造で理解する必要がある[2,5,6]。
6. NVIDIAモーションAI群（ARDY・Kimodo・SONIC）との比較とONNX仕様#
2026年のNVIDIAはヒューマノイド・キャラクター動作向けに複数のモデルを発表しており、用途に応じた明確な棲み分けが存在する[2,6]。
G1向けONNXモデルの入出力テンソル仕様（36次元表現）
公式GitHub（NVlabs/motionbricks）のUnitree G1向けONNXモデルは、骨盤の3次元位置（3）＋クォータニオン回転（4）＋G1の29関節角度（29）を合わせた36次元ベクトルを1フレームの姿勢表現として入出力する[4]。
7. 商用ライセンスの注意点と事業投資優先度#
| 事業・開発分野 | 投資優先度 | 技術的・事業的根拠 |
|---|---|---|
| ゲーム向けNPC動作生成・3D映像プリビズ | 高 | 仮想空間内で衝突・位置補正が可能であり、状態遷移アニメーションの制作・接続コスト削減に直結する[2,3] |
| Unitree G1モーション生成実験・Sim-to-Real拡張 | 高〜中 | 公式G1チェックポイントとGEAR-SONIC（50Hz）を直結でき、強化学習の参照軌道拡張やストレステストに有効[4,6] |
| 別骨格ヒューマノイド・非二足ロボットへの展開 | 中 | 対象骨格へのオフラインリターゲティング（論文でもG1向けに数か月調整）と専用の全身追従制御器の統合が必要[2] |
| 高精度な産業用マニピュレーション・組立作業 | 低 | 3D視覚認識・力覚制御・サブミリ単位の軌道計画が支配的であり、全身遷移生成AIの主戦場ではない[5] |
MotionBricksはロボットのすべての課題を解決する魔法ではない。むしろ動作生成が安価になるほど、①現実世界の3D物体・地形認識、②多点接触・力制御計画、③転倒・衝突を防ぐ全身制御（WBC）、④異種ロボット骨格へのリターゲティング、⑤長時間稼働と失敗復旧という真のボトルネックが際立つ。いま採るべき合理的判断は、ゲーム・プリビズ用途では早期に実装検証し、Unitree G1ではGEAR-SONICとの統合を追試し、それ以外のロボット骨格ではリターゲティングと制御器の移植コストを先に測定することである[2,5,6]。
出典
- 1.MotionBricks公式実装：ONNX inference performance（RTX 4090 / TensorRT 10.8） — NVlabs一次情報
- 2.MotionBricks: Scalable Real-Time Motions with Modular Latent Generative Model and Smart Primitives (SIGGRAPH 2026 / arXiv:2604.24833) — NVIDIA Research / arXiv、2026-04-30一次情報
- 3.MotionBricks Official Project Page & Demos (nvlabs.github.io/motionbricks) — NVlabs (NVIDIA)、2026-10-26一次情報
- 4.NVlabs/motionbricks Official Repository & Runtime API Documentation — GitHub / NVlabs、2026-10-26一次情報
- 5.nvidia/MotionBricks Model Card (SOMA & Unitree G1 Checkpoints) — Hugging Face / NVIDIA、2026-10-25一次情報
- 6.NVIDIA GEAR-SONIC (50Hz Whole-Body Control), ARDY, and Kimodo Humanoid Motion & Control Research — NVIDIA Research、2026-07-19一次情報
- 7.BONES-SEED Dataset & Licensing Terms (142,220 clips / 288 hours) — Bones Studio / Hugging Face、2026-10-01
週刊ニュースレター
今週のフィジカルAIを日本語で。重要ニュース5本・日本/中国・Research Picks・今週の公募。無料、いつでも解除できます。
同じテーマのコラム
- UMRを詳しく読む — 人の動きを体表面の点群でヒューマノイドへ移す
骨格の対応表から、体表面の対応学習へ。UMRの2段階の仕組み、接触を保つ最適化、G1での比較結果、公開実装とStudio、実機制御へつなぐ際の限界を解説する。
- フアンが語るAIの次の市場 — サイバー防御から、移動・マニピュレーションへ
常時稼働するサイバー防御と、中堅製造業へ広がる知能ロボット。Goldman Sachsでの発言とNVIDIA・Ciscoの公式発表を読み合わせ、予測と実装の距離、ヒューマノイドの位置づけ、計算基盤を押さえる事業戦略を掘り下げる。
- 同じモデルの安全性が、系統の違いだけで34ポイント動いた — Anthropicが安全評価の作り方を公開し、単発プロンプトの評価は94〜98%で飽和したと書いた
Anthropicが11月13日、安全評価の作り方の推奨事項を公開した。手法の文書だが、置かれた数値のほうが重い。Fable 5.1のマルチターン安全評価では、適切応答率がAPI系統とclaude.ai系統の間で最大34ポイント違い、自傷の評価はAPIで60%・緩和後のclaude.aiで94%。APIのマルチターン評価の信頼区間は±10ポイントを超えることがあり、ロマンス詐欺の評価ではOpus 5の98%に対しOpus 5.5が94%で有意差なしと同社自身が書いた。単発評価は直近のどのモデルも94〜98%で飽和し、回帰確認にしか使えないとされる。評価環境では自社の事案を受けてインターネット接続を与える評価の多くを一時停止。道具アクセスの有無で応諾が変わる一方、エージェント設定の悪用評価は「探索中」で、身体的な行動を採点した数値は1つも出てこない。システムカードの数字は配備の数字ではないという構図を一次情報だけで整理する。
- 韓国の「主権AI」は、NVIDIAのラックに自国NPUを差すかたちで設計された — NVLink FusionにRebellions R200が繋がるが、配備は2028年でスペックは1つも公表されていない
NVIDIA・Rebellions・SK Telecomが11月8日、NVLink Fusionで韓国の主権AI基盤を作る協業を発表した。次世代NPU Rebel R200をNVLinkのスケールアップ網に繋ぎ、ラックはMGXを使い、推論はprefillをGPU・decodeをNPUに割る構想まで書かれている。だがR200の定量スペックは容量・帯域幅・演算性能・電力・価格のいずれも無く、配備可能見込みは2028年、主要な動詞はすべて「計画」である。接続規格を開くことが、他社シリコンの載る床をNVIDIAが敷くことになっている構図を一次情報だけで整理する。
本コラムはAIを活用して作成・編集し、編集責任は本紙編集部が負います。原典との照合と、掲載後の訂正を行っています。 誤りの指摘は歓迎します。関連する自動生成のニュースはニュースへ。
