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 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
結論：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。現在の姿勢（Context Pose）と到達したい目標姿勢（Target Pose）を指定するだけで中間動作を補完できるため、ゲームとフィジカルAIの双方で「人間らしい身体動作」を構成するコストを大幅に引き下げる可能性がある。ただし、MotionBricksは「動作軌道（30Hz）を生成するAI」であり、転倒せず物理的に安全にモーターを駆動する「全身制御AI（GEAR-SONIC等の50Hz制御器）」とは別物である。
最初に理解すべき3つの事実と実用化距離
クリップ数とスキル数の違い、生成FPSと制御周波数の違い、仮想空間と実機の壁
35万種類のスキルではない
主要データセットは約35万クリップ・約700時間だが、固有スキル数は約9,300種類（36カテゴリー）である。クリップ数と獲得スキル数は明確に区別すべきだ。
15,000 FPSは制御周波数ではない
15,000 FPSはGPUが1秒間に生成できるモーションフレームの処理性能を表す。公開モデルの動作表現は30Hzであり、実機モーター制御（SONIC等の50Hz〜数百Hz）は別途必要になる。
ゲームの動作≠実機ロボットの成立
ゲーム内では座る・跳ぶ・拾うデモが成立していても、実環境ではカメラによる3D認識、接触力、重心安定、関節トルク制限を解決しなければならない。
現時点で最も実用化が近いのは① ゲームのキャラクターアニメーションと3D映像プリビズ、次が② ロボットの動作目標生成とSim-to-Realシミュレーション（Unitree G1 × GEAR-SONIC等）、そして最も難易度が高いのが③ 実環境での汎用物体操作・多点接触移動である。
MotionBricksの仕組みを技術的に分解する
Smart Primitives・Root Module・Pose Module（VQ-VAE）・Decoderの4段階パイプライン
MotionBricksは自然言語を直接入力するLLMではなく、直近4フレームの姿勢（Context Pose）、到達したい1〜4個の目標姿勢（Target Pose）、腰などの移動基準（Root Motion）、目標時間や向きの制約（Constraints / Masks）という明確な数値テンソルを入力とし、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。
ゲーム操作やロボットの行動目標（速度・向き・着席位置等）を姿勢・経路の数値制約へ変換する。
何秒かけて身体全体の基準点（骨盤・腰）をどこへ移動・回転させるかを決定する（G1で約3,410万param）。
Multi-head VQ-VAE（約2,380万param）とMasked Token Transformer（約1.366億param）で全身動作トークンを生成。
離散トークンから30Hzの具体的な関節姿勢列（64フレーム）と足接地予測をリアルタイム復元する。
| 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へ圧縮・復元 |
| Pose Predictor | 約1億3,660万 | Masked Token Transformerにより周囲の制約条件から中間動作トークンを生成 |
| Root Predictor | 約3,410万 | 骨盤基準の移動経路・方向・到達タイミングを予測 |
| 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に必要な29関節角度＋骨盤位置・回転へ変換 |
元論文の性能評価と実機10Hz再計画の設計思想
従来拡散モデルとの推論速度比較、RTX 5090 / 4090 / Jetson Orinの差、H100×32基の学習コスト
| 手法（論文 Table 3 / RTX 5090） | 推論遅延 | 生成速度 | 特徴・評価軸 |
|---|---|---|---|
| MotionBricks | 2.0 ms | 15,000 FPS | 離散トークン生成で高速性と多様な協調動作を両立（40人主観評価で86.5%選好率） |
| Closd-DiP | 15.3 ms | 4,200 FPS | 拡散モデルベース（推論負荷が高い） |
| MMM | 18.1 ms | 3,600 FPS | マスク生成モデル（MotionBricksの約9倍の遅延） |
| CondMDI | 33.2 ms | 1,930 FPS | 連続拡散インビトゥイニング（リアルタイム制御には重い） |
| Conditional In-betweening | 2.4 ms | 27,000 FPS | 決定論的な補間方式（FPSは高いが多様性・複雑な協調運動に制約） |
・実機エッジ推論と再計画周期： RTX 5090では2ms、RTX 4090（TensorRT 10.8 FP16）ではSOMA 1.28ms / G1 1.63ms（16体バッチでもSOMA 1.87ms / G1 2.36ms）、ロボット搭載用のJetson Orinでは5msとなる。G1実機では毎フレーム推論するのではなく、生成した短い未来の軌道をバッファに保存し、原則10Hz（100ms間隔、または通常3〜9フレーム間隔）で再計画する。動作生成AIがGPU資源を占有して低レベル制御（SONIC等）の遅延を引き起こすのを防ぎ、かつ過度な再計画による動作の不安定化を抑えるためだ。
・ゼロからの学習コスト： 32基のH100 GPUを使用し、Tokenizer約7日＋Root Module約3日＋Pose Module約7日の合計約17日相当（L40Sでは約2倍）。独自データからのフルスクラッチ学習は高コストだが、配布済みチェックポイントの推論利用なら学習計算資源は不要である。
ゲーム開発での革新性：4,000通りの組合せ爆発解消とUE5導入の現実
Smart Objects / Smart Locomotion、LLM自律NPC連携、そして公開実装の4つの制約
従来のAAAゲームでは15,000以上のアニメーションや5,000以上のステートを管理する事例がある。たとえば「性格5種 × 移動状態5種 × 物体相互作用20種 × 接近方向8種」だけで4,000通りに達する。MotionBricksはソファの位置や接近角度が変わっても目標姿勢への遷移を生成できるため、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。
※ただし2026年10月26日時点で公開GitHubの中心はPython実装であり、論文のUE5デモで使われた専用C++/TensorRTプラグインは一般公開されていない。また、腰の椅子貫通防止や格闘ゲームの厳密な当たり判定はゲームエンジン側で担保する必要がある。
フィジカルAIへの応用：3層制御スタック（VLA × MotionBricks × SONIC）
Unitree G1実機構成、Sim-to-Realデータ拡張、異種骨格リターゲティングの課題
| ロボット制御の3層 | 解くべき問題 | 対応する代表的な技術 | 動作周期の目安 |
|---|---|---|---|
| 第1層：認識・行動計画 | 何をどこで行うか（意味理解・目標設定） | VLM / VLA / 行動プランナー / テレオペ入力 | 1〜10 Hz（行動コミットメント） |
| 第2層：動作生成 | 身体をどのように動かすか（目標全身軌道） | NVIDIA MotionBricks / ARDY | 30 Hz表現（10Hz再計画） |
| 第3層：身体制御 | 転倒せず正確に関節トルク・角度を制御するか | GEAR-SONIC / 強化学習WBC / MPC | 50 Hz〜1,000 Hz |
既存の動作データに対して異なる到達姿勢や移動方向を与え、生成されたバリエーションを強化学習用の参照軌道として利用できる。歩行からしゃがみ、立ち上がりへの連続遷移を生成し、GEAR-SONIC等の全身制御器で追従させることで、初期姿勢の変化に対する制御器の頑健性（ストレステスト）も体系的に検証できる。
階段や狭小空間への進入、椅子への着席など環境との多点接触を伴う動作では、MotionBricksが担えるのは指定姿勢間の目標軌道生成に限られ、3D視覚認識と接触力制御が別途必要になる。また論文でもG1向けの高品質なオフラインリターゲティングに数か月規模の反復作業を要したと報告されており、別骨格ロボットへの移植コストは過小評価すべきではない。
NVIDIAモーションAI群（ARDY・Kimodo・SONIC）との比較とONNX仕様
テキスト条件付き生成との使い分けと、現場エンジニアが叩くテンソル形状
| 技術名 | 主要機能 | テキスト指示 | リアルタイム性 |
|---|---|---|---|
| MotionBricks | 目標姿勢間の自然な動作補完・プリミティブ接続 | 直接は非対応 | ◎（2ms / バッチ対応） |
| ARDY (SIGGRAPH 2026) | テキスト（「怪我した足をかばう」等）や空間制約から連続生成 | 対応 | ◎（G1×SONIC実証済） |
| Kimodo | テキスト・手足位置・通過点から高品質モーション制作 | 対応 | オフライン制作中心 |
| GEAR-SONIC | 上位生成器から与えられた目標軌道の物理的な全身追従制御 | 直接は非対応 | ◎（50Hz実機制御） |
技術的限界・BONES-SEEDライセンスの注意点・事業投資優先度
ゼロショット過信への警告、年商100万ドル制限、そして開発現場が採るべき現実解
・ソースコード： Apache 2.0 ／ 学習済みモデル： NVIDIA Open Model Agreement ／ 同梱サンプル一部： NVIDIA Sample Data Evaluation License。
・BONES-SEED（142,220件・約288時間）の制限： 誰でも無条件に商用学習できるオープンデータではなく、非営利の学術利用者と年間総収益100万米ドル未満のスタートアップに利用資格が限定されている。NVIDIA配布の学習済みモデルを推論利用することと、BONES-SEED生データを自社でダウンロードして再学習に使うことは契約上まったく別である。
| 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 | 仮想空間で衝突・位置補正が可能であり、状態遷移の量産コスト削減に直結する |
| 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生成に有効 |
| 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と専用の全身追従制御器・IK補正の統合が必要 |
| 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、MotionBricksの主戦場ではない |
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。
出典
- 1.MotionBricks: Scalable Real-Time Motions with Modular Latent Generative Model and Smart Primitives (SIGGRAPH 2026) — NVIDIA Research / arXiv、2026-04-30一次情報
- 2.MotionBricks Official Project Page & Demos — NVlabs (NVIDIA)、2026-10-26一次情報
- 3.NVlabs/motionbricks Official Repository & Runtime API Documentation — GitHub / NVlabs、2026-10-26一次情報
- 4.nvidia/MotionBricks Model Card (SOMA & Unitree G1 Checkpoints) — Hugging Face / NVIDIA、2026-10-25一次情報
- 5.NVIDIA GEAR-SONIC, ARDY, and Kimodo Humanoid Motion & Control Research — NVIDIA Research、2026-07-19一次情報
- 6.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。
- 孫正義の「マレーシア8兆円投資」の真相と、AI・フィジカルAI時代の国家成長モデル — 半導体・電力8.39GW・ロボットの現実的商機
2026年10月24日にマレーシアのアンワル首相が公表した約500億ドル（約7兆8,500億円）AI投資構想と、10月8日のソフトバンクG・Grab・PETROS基本合意（ロボティクスとフィジカルAIを明記）を全16章で徹底検証。ペナン（半導体後工程世界シェア13%・シリコンアイランド）・ジョホール（DC集積）・サラワク（水力発電・2030年10GW目標）の3極分業、WTOが示した「世界貿易増加分の47%がAI関連」の衝撃、2030年DC最大電力需要8.39GWとガートナー3.5兆ドル減損リスク、そして半導体工場自動化ロボット・日本の部品設備メーカーの現実的な商機までを解剖する。
- ピーター・ティールの65分インタビュー完全解説（全21章） — なぜ世界は技術停滞し、AIは民主主義と経済の突破口になり得るのか
PayPal・Palantir共同創業者ピーター・ティールが2026年9月24日公開のAxel Springer CEOマティアス・デプフナーとの65分対談で語った全21章を完全解説。情報（Bits）と物質（Atoms）の非対称な技術停滞、ゼロサム化による民主主義の動揺と極右・極左台頭、「善悪（Evil）より能力（Bad）を見よ（フェラーリ vs トラバント）」、2028年米大統領選で民主社会主義者が勝つ確率50%予測、ドイツの「成功恐怖症」、寿命150歳とマインドアップロード否定、そしてフィジカルAI経営への第一原理的示唆までを体系化する。
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。