PhysLoopの研究チームは2026年11月12日、AI動画の物理的に不自然な動きを見つけ、修正する研究システム「PhysLoop」を発表しました。写実的な映像でも、落とした物が不自然に浮いたり、衝突しても動きが変わらなかったりする問題は残ります。

PhysLoopは、言語モデルの物理知識と、動きを計算するシミュレーターの制約を組み合わせます。研究チームは、学習用の動画データを作る方法と、生成済みの動画を部分的に修正する方法を研究しています。

現時点では研究段階で、一般向け動画編集サービスの新機能ではありません。論文での公開表明と、実際に入手できるコード・データは、区別して確認する必要があります。

PhysLoopは落下・衝突など、動画の見た目だけでは見落とす物理的な不整合を扱う

AI動画は、1コマずつ見た画質が高くても、前後の動きがつながっていない場合があります。物を落としたのに重力に従って落下しない、接触した物体が反応しない、同じ物が途中で消える、といった問題です。解像度や画質の点数が高くても、不自然な動きが残る可能性はあります。

たとえば、製品の作動説明や安全教育の映像では、接触や落下の順序が違うだけで、視聴者に誤った印象を与えるおそれがあります。PhysLoopが扱うのは、物体の位置、速度、衝突、重力、時間的な連続性などを含む「物理的な整合性」です。

グラスが床に落ちて割れる動画なら、高さ、速度、接触した瞬間の反応を整える必要があります。制作者が「リアルに見えるように」と指示するだけでなく、動作の条件を検証できる形にすることが課題です。

LLMが動作条件を提案し、物理シミュレーターによる制約で候補映像を評価・選別する

PhysLoopでは、LLM(大規模言語モデル)が場面や動作の条件を提案し、シミュレーターの計算や制約を使って、その判断を補います。システムは、まず指定された場面や動きに沿って、候補の動画データを生成します。続いて、物理的に成立するか確認し、不自然な部分を特定して修正案を作ります。

ただし、言語モデルが常に正確な物理計算をできるわけではありません。PhysLoopは、言語モデルの提案だけで判断せず、動作を実行できる環境から得た結果も使います。不自然な動きを見つけ、候補を作り直す過程を繰り返し、動画モデルの学習データの質を高めることを目指しています。

論文でいう「自己改善」は、LLMだけで正しい物理法則を発見することではありません。モデルが人の関与なしに、際限なく進化するという意味でもありません。

PhysLoopは物理条件付きの学習動画作成と、既存AI動画の不自然な部分の局所修正を研究

PhysLoopが想定する用途は、大きく2種類あります。1つ目は、特定の物理現象に合わせた学習動画の作成です。現実の落下実験や衝突を大量に撮影する場合、条件を一定に保つのは難しくなります。シミュレーションで場面を作れば、条件を調整した比較用データを計画的に用意しやすくなります。

2つ目は、生成済みの映像で、問題がある箇所だけを修正する用途です。PhysLoopは、不自然な動きが生じた時間と領域を特定し、動画全体を作り直さずに修正することを目指しています。ただし、修正した部分の境界や、前後の動きのつながりを保てるかは、別に評価する必要があります。

研究チームは、生成能力を測るPhysLoop-Genと、修正能力を測るPhysLoop-Repairという評価用データセットを設定しました。外部のPhysics-IQ Verifiedによる検証も行っています。

PhysLoopの論文は10万本の動画公開に言及するが、2026年11月15日時点でコード一式の配布を確認できない

論文の概要には、10万本の動画、生成ツール、評価データセットを公開するとの説明があります。一方、2026年11月15日に確認した研究リポジトリには、コード公開が組織内のポリシー審査待ちだと記載されています。

論文に「公開する」と書かれていても、10万本の動画・生成ツール・評価データの一式を、現時点で誰もが取得できるとは判断できません。「誰でも今すぐPhysLoopをインストールできる」「動画10万本をダウンロードできる」とは案内できない状況です。

利用を検討する場合は、論文と研究プロジェクトの公開情報を確認してください。配布ファイル、利用規約、必要な環境が明示されるまでは、実装手順を推測で補わないことが大切です。

シミュレーターとの一致は現実世界での正確さを保証せず、物体の材質や複雑な運動に限界がある

PhysLoopは、言語モデルの物理知識をシミュレーターと組み合わせ、動画データの改善に使う方向性を示しています。ただし、シミュレーターが現実の現象を十分に再現できなければ、計算上は自然な動画でも、現実世界で正しいとは限りません。素材の破壊、液体、柔らかい物体、人の動きなどには、表現しきれない現象もあります。

論文の「自己改善」は、失敗を見つけてデータを作り直すための研究設計です。動画生成AIが人の介入なしに、無制限に進化すると実証したものではありません。実用化には、研究チームが論文で扱っていない動作や素材でも、適切に評価できるか確かめる必要があります。

制作現場では現段階で、画質とは別に、物体の接触・速度・位置のつながりを検品項目に入れ、人が確認する方法が現実的です。