スクウェア・エニックスのAIエンジニア藤井翔太氏は2026年11月10日、NVIDIA主催の「Agentic AI Day Japan 2026」で、社内GPUに導入した大規模言語モデルをゲーム制作に利用した検証を紹介しました。短い質問への回答やPythonスクリプト、簡単なHTMLゲームの生成には成功しました。3D制作ツールをまたいで宝探しゲームを完成させる実験は途中で停止しています。
11月11日のPC Watchによる講演取材に基づき、成功した工程、つまずいた工程、費用面の検討材料を分けて説明します。以下の応答時間や動作結果は講演で示された特定環境の実験値で、各モデルの一般的な性能比較ではありません。
検証環境は社内H100とNemotron 3.5 Super VL
使われたのはNVIDIAの視覚・言語モデル「Nemotron 3.5 Super VL(120B-A12B)」です。社内のNVIDIA DGXとH100 GPUを利用し、vLLMを通じて推論させました。VLは画像や動画も入力できるモデルの種類を表し、今回の検証では文章だけでなくゲーム画面の映像も与えています。
vLLMの「enable_prompt_tokens_details」を有効にし、プロンプトキャッシュがどれだけ再利用されたかも記録しました。ゲーム制作のエージェントでは、同じ仕様や過去の操作ログを何度も読み込むことがあります。キャッシュが効いた割合を把握すると、推論時間と運用コストの変化を説明しやすくなります。
社内にモデルを置く利点としては、外部APIへの入力回数を減らせる点、データの送信先を社内に限定しやすい点が挙げられています。H100の調達、保守、電力、GPUの稼働率、推論基盤の管理者の作業まで含めて費用を比較する必要があります。
チャット・画像理解・スクリプト生成で確認した結果
短い質問は速いが、複雑な指示では差が出た
「世界で一番高い山」などの短い知識質問では、Nemotronが0.79秒で回答した例が紹介されています。計算を伴う質問や、文字数など複数条件を守るアイデア出しでは他モデルより回答に時間がかかった場面もありました。速さの評価は設問ごとに分かれています。
ドラゴンが食事をする動画を見せた検証では、10.6秒ほどで内容に沿った回答を返したと報じられています。動画を読めることと、動画のあらゆる動きを正確に理解できることは異なります。制作現場で使うなら、認識しづらいカットやゲーム固有の演出も含めた確認が必要です。
補助スクリプトと簡単なHTMLゲームは動いた
画像のネガポジを反転するPythonコードは1回の指示で生成され、報道による生成時間は22秒でした。HTMLの簡単なゲームでは、左右移動、ジャンプ、剣の当たり判定、クリア条件を備えた動作を作れています。
この成果は、小さな処理が明確な仕様で記述されている場合の検証結果です。ゲームエンジンのプロジェクト全体を組み上げる作業には、アセットや設定、シーン間の依存関係が加わるため、同じ成功率が得られるとは限りません。
NemotronとKimodoを組み合わせた3Dモーション生成
モーション実験では、Nemotronが足を置く位置や動作途中のキーフレームをJSONで指定し、NVIDIAの動作生成モデル「Kimodo」がキーフレームの間を補って全身の動きを作りました。出力をUnreal Engineへ取り込み、足元のバーをまたぐ、台に登る、障害物を回避するといった動作を試しています。
初期の歩行モーションでは、足が地面を滑る距離が16.4cmほどありました。Nemotronに結果を評価させ、キーフレームを変更する反復を加えると、滑りを1.7cmまで減らせたと報じられています。最も良好だった例はキーフレーム6個で、条件を増やしすぎると動きが不自然になる場面もあったとのことです。
評価のために動画を撮影し、問題が起きた箇所だけを抜き出してモデルへ見せる工夫も紹介されました。長い動画を一度に与えるより、修正したい足元の映像を使う方が判断しやすくなるという講演上の知見です。
ただし、この実験の障害物には衝突判定が設定されておらず、キャラクターが物体を貫通する場面も残っています。動きの生成結果をそのまま製品版ゲームに使用できる段階だと判断する数字ではありません。
MCPでBlenderとUnreal Engineを操作した結果
MCP(Model Context Protocol)は、AIが外部ツールの機能を呼び出すための接続方式です。講演では、Blenderで木を作成し、Unreal Engineのシーンへ配置する一連の操作が成功したと紹介されています。単一の作業指示をツールの操作に変える用途では実行できた例です。
次に「宝探しゲームを作る」という課題を与えたところ、複数工程の実行が止まり、ローカルLLMだけではゲームを完成できませんでした。さらにClaude Codeで作業工程を整理し、NVIDIAのNeMo Switchyardを使って簡単な操作をNemotron、難しい判断をChatGPTなどの高性能モデルへ振り分ける方式も試しています。
この構成では一部のオブジェクトを動かすところまで改善しましたが、ゲーム全体の完成には届いていません。途中のエラーをどう検知するか、失敗した作業を再実行できるか、人がどの段階で確認するかが残る課題です。
ローカルLLMを導入する場合の評価方法
今回の結果から、コードの定型処理、短い質問、作業内容が限定されたMCP操作を先に試す方法が考えられます。たとえば画像変換スクリプトなら、出力コードの実行成否、担当者による修正時間、処理にかかった秒数を同じ課題で比較できます。
モーション制作では足滑りやオブジェクトとの衝突、3D操作ではシーンの状態とエラー回復を評価項目に加えます。API型のクラウドモデルと比べる場合には、呼び出し単価に加え、GPU稼働費・キャッシュ再利用・再試行・運用担当の時間を含めて比較するのが妥当です。
ゲーム制作の中でAIが外部ツールを動かす基本的な仕組みは、folimielの「AIエージェント」と「Function Calling」も参照してください。





