AnthropicがSonnet 5.5を公開、パラメータ数に依存しない高効率モデルで物理シミュレーションも再現

何が発表されたのか

AIの進化において、モデルの巨大化と計算資源の独占がこれまでの常識でした。しかし、この「10億ドル規模のAI優位性」が急速に失われつつあります。今回の映像では、最新のAIモデル「Sonnet 5.5」が、先行する超巨大モデルに匹敵する、あるいはそれを凌駕する知能を持ちながら、圧倒的な低コストで動作する様子が公開されました。

これは単なるマイナーアップデートではありません。従来のAIが苦手としていた、物理演算コードの自動生成や、高度なグラフィックス処理のコード移植を、単一のHTMLファイルとして完璧に出力できるレベルに達しています。研究段階のアルゴリズムを実用レベルのコードへ瞬時に落とし込む能力は、開発現場のパワーバランスを根本から変える可能性を秘めています。

発表された機能・アップデートの全容

高度な物理シミュレーション「AVBD」の再現

動画内では、SIGGRAPH 2025で発表予定の最先端物理シミュレーション手法「AVBD（Augmented Vertex Block Descent）」を、Sonnet 5.5が生成したコードのみで再現するデモが披露されました。この研究は、RobloxのChris Giles氏、Elie Diaz氏、およびユタ大学のCem Yuksel氏らによるものです。

数千個のオブジェクトが衝突し、摩擦や関節の結合を維持しながら物理的に安定した挙動を示すシミュレーションは、数値的な破綻（爆発現象）が起きやすく、実装が極めて難しいとされてきました。Sonnet 5.5は、この複雑なアルゴリズムを理解し、破綻のない高精度なシミュレーションコードを生成することに成功しています。

従来手法（XPBD/VBD）との安定性比較

デモ映像では、従来の物理シミュレーション手法である「XPBD（Extended Position-Based Dynamics）」や「VBD（Vertex Block Descent）」との比較が行われました。トランプで構築した巨大なタワーに球体が衝突するテストにおいて、従来手法では物理計算のステップ数が足りずにタワーが不自然に崩壊したり、計算が破綻したりする現象が見られました。

これに対し、AVBDを適用したシミュレーションでは、わずか5回のイテレーション（反復計算）でも極めて頑健で自然な崩壊挙動を描写しています。AIがこのレベルの高度な数理物理アルゴリズムをコードレベルで正確に移植できることは、ゲーム開発や物理エンジンの設計において劇的な効率化をもたらします。

高精度レイトレーシングとボリュメトリックコースティクスの描画

グラフィックス分野におけるデモでは、Webブラウザ上で動作するリアルタイム・レイトレーシングエンジンが紹介されました。画面上のUIから「Photon mapping（フォトンマッピング）」や「Manifold exploration（マニホールド探索）」といった高度な光線追跡アルゴリズムを切り替えることが可能です。

特に注目すべきは、ガラス球や金属容器を透過・反射した光が一点に集束して美しい模様を作る「コースティクス（集光現象）」の描写です。さらに、暗い部屋に差し込むスポットライトの光の筋を表現する「Volumetric Caustics（体積集光効果）」も、AIが生成したコードによって美しく滑らかに描画されています。

2Dゲーム「The Founding」と遺伝的アルゴリズムの自動生成

物理演算だけでなく、実際のゲームロジックの構築能力も示されました。2Dのストラテジーゲーム「The Founding - Aurelia and the Ironmaw Horde stake their claims.」では、画面上を飛び回るドラゴンが炎を吐き、地上の兵士ユニットと戦闘を行う一連のシミュレーションがすべてAI生成コードで動作しています。

また、遺伝的アルゴリズムを用いて2D車両の形状や車輪のサイズを世代交代ごとに最適化し、障害物を乗り越えさせる「BestCar RL」のデモも公開されました。これにより、AIが単なるコードの穴埋め役ではなく、複雑なシステム設計全体を自律的に構築できる段階に達していることが確認できます。

モデルの小型化と「知能の効率化」

動画の後半では、AIモデルの進化の歴史が陸上競技のトラックに見立てて解説されました。先行するフラグシップモデル「Fable 5.1」に対し、その約3週間後に登場した「Opus 5.5」は約2.5倍安価でありながら同等の品質を維持しています。

そして、さらにその後に登場した「Sonnet 5.5」は、Fable 5.1と比較して約5倍も低コスト（安価）になりました。これは、モデルのパラメータ数を増やすことだけが知能向上の道ではないことを示しています。「知能はパラメータの数ではなく、パラメータをいかに良く訓練するかにかかっている」という事実が、具体的な数値として実証されました。