Reactorが7400万ドルを調達：ビデオ世界モデルには独自のランタイムが必要

ReactorはNVIDIAの支援を受けてシリーズAで7400万ドルを調達し、その資金は特定のインフラに充てられます：ビデオベースの世界モデル向けのクラウドランタイムです。

提案は狭く、率直に述べる価値があります。ロボットの検証のために3Dシミュレーションシーンを手作業で構築するのは遅く、資本集約的です。Reactorのプラットフォームは、ビデオベースの世界モデルをクラウドでより速く、より安く実行し、プロンプトから直接インタラクティブなシミュレーション環境を生成して、ソフトウェアをそれに対してテストできるようにします。

なぜランタイムなのか、そしてなぜ今なのか

世界モデルは研究デモから、チームが繰り返し実行したいものへと移行しました。その変化はボトルネックが何であるかを変えます。説得力のある単一のビデオを生成することはデモです。ポリシー、知覚スタック、またはロボットコントローラをストレステストするために数千の多様なシーンを実行することは、インフラの問題です。

その区別は、10年前にML研究とMLOpsを分けたものと同じです。ある能力が目新しさを失い、役に立ち始めると、制約は「そもそもこれができるか」から「重要な意味を持つほど十分な回数、十分に速く、十分に安くこれができるか」に移ります。

Reactorは、ビデオ世界モデルにとって第2段階が到来したと賭けています。その顧客は、レガシーなCADパイプラインを維持することなく、高スループットの環境生成を必要とするロボティクス、VFX、インタラクティブメディアのシミュレーションエンジニアです。

正直な注意点

会社自身の枠組みは限界を指摘しています。生産コストの削減は、クラウドGPUインスタンスの可用性と、特定のビデオ生成アーキテクチャ向けのカスタムカーネル最適化に大きく依存します。言い換えれば、削減はランタイムが問題のモデルにチューニングされている場合にのみ実現します。それは価値がどこにあるかを公正に述べており、リスクがどこにあるかも示しています。あるビデオアーキテクチャにとって高速なランタイムは、別のアーキテクチャにとって高速ではないかもしれません。

低遅延のローカル物理エンジンを必要とする作業を行うチームにとって、このプラットフォームは答えではありません。クラウドランタイムモデルは、ワークステーション上で1つの環境をミリ秒遅延でシミュレートするのではなく、フリート全体で多くの環境を生成したい場合に適しています。

同じ週に集中したインフラの動き

Reactorのラウンドは単独で成立したわけではありません。10月初旬の同じ時期に、同じ方向を指すいくつかの動きがありました：エージェントと世界モデルに関するツールは、人間規模ではなく機械規模のワークロード向けに再構築されています。

GitHubは、自律エージェントによって生成される数百万の同時コミットを処理するために、コアGitストレージとトランスポート層を再構築しています。従来のバージョン管理エンジンは、数千のソフトウェアエージェントが一度にコミットすると深刻なロック競合に陥り、その修正はノンブロッキングで高並行のストリーム処理への移行です。移行には、ダウンストリームのCI/CDランナーがコミットロックでボトルネックになることなく、同時ツリー更新を消化することが求められます。

TwelveLabsは、一人称映像用にネイティブに構築されたビデオ理解モデルPegasus 1.6をリリースしました。これは、自己中心的なビデオをロボット用の構造化トレーニングデータに変換することを目的としています。その目的は、現在ビデオ1時間あたり70〜155時間の人間の時間を消費する手動ラベリングステップを排除することです。

その下にあるパターン

3つを合わせると、テーマが浮かび上がります。インフラ層は、開発ツールの主なユーザーが自律エージェントと世界モデルであり、キーボードで入力する人間ではない世界に向けて再調整されています。

Gitのロックモデルは人間のコミット頻度を前提としていました。シミュレーションランタイムは、誰かが1つのシーンを生成し、検査し、次に進むことを前提としています。ビデオラベリングパイプラインは、人間が映像を視聴することを前提としていました。これらの前提はそれぞれ、チームが実際に実行する量ではもはや間違っています。

Reactorのラウンドはデータポイントであり、判決ではありません。同社はスループットのベンチマークを公開しておらず、「より速く、より安く」は顧客が自身のワークロードでテストする主張です。このラウンドが確立するのは、投資家が世界モデルランタイムをモデル自体とは別の独立した市場と見ているということです。

注目すべき点

Reactorのケースを決着させる問題は、第三者のチームがプラットフォーム上で独自のモデルを実行した結果を公開するかどうかです。独立したスループット数値、理想的にはランタイムが共同設計されていないアーキテクチャを持つユーザーからの数値が、話を資金調達から評価へと移すでしょう。

当面、より有用なシグナルは方向性です。GPUも設計する会社が支援するこの規模のラウンドは、資金が次のボトルネックをどこに見ているかを示しています。そのボトルネックは、モデルが機能した後にモデルの周りで実行しなければならないすべてです。

世界モデルランタイムが実際に実行するもの

ワークロードについて具体的に述べる価値があります。なぜなら「世界モデル」は幅広いシステムをカバーするからです。

ロボティクスでは、ビデオベースの世界モデルは、エージェントが取る行動を前提に、エージェントが見る次のフレームを予測します。ポリシーは、多くのシミュレートされた軌道を展開し、どの行動が良い結果につながるかを学習することによってトレーニングされます。シミュレーションの価値は、間違った行動が何のコストもかからないのに対し、物理的なロボットでの間違った行動はハードウェアと時間のコストがかかることです。

VFXとインタラクティブメディアでは、同じクラスのモデルがプロンプトからもっともらしい環境を生成し、シーンを偵察するスタジオやレベルをプロトタイピングするゲームチームが手動の3D構築をスキップできるようにします。

どちらのワークロードも同じ形を共有しています。それらは1回の生成ではなく、数千回の生成であり、並列に実行され、実行間でパラメータが変化します。その形がランタイムの目的であり、単一の高速生成が製品ではない理由です。製品は、結果を集約する価値があるほど、多くの生成を確実かつ安価に実行する能力です。

なぜ計算コストが議論のすべてなのか

世界モデルトレーニングの経済性は、シミュレートされたステップあたりのコストに行き着きます。シミュレーションが高価な場合、チームはほとんど実行せず、ほとんど学びません。安価な場合、チームは多くを実行し、より多くを学びます。

そこにランタイムの主張があります。より速く、より安いシミュレーションは、1ドルあたりより多くの軌道を意味し、同じ予算でよりよくトレーニングされたポリシーを意味します。同社が指摘するクラウドGPUの可用性とカスタムカーネル最適化への依存は、この正直なバージョンです：節約はランタイムをモデルにチューニングすることから生まれ、あるアーキテクチャ用にチューニングされたランタイムが別のアーキテクチャでも自動的に高速になるわけではありません。

シミュレーションスタックを選択するチームにとって、それは特定のデューデリジェンスの質問を生み出します。有用な質問は、プラットフォームがチームが実際に使用するモデルアーキテクチャに対して高速かどうかであり、抽象的に高速かどうかよりも狭いです。それに答える唯一の方法は、代表的なワークロードを実行することです。

資金調達の下にあるインフラのシグナル

NVIDIAの支援を受けた7400万ドルのシリーズAは、投資家の期待に関するデータポイントであり、同じ週のより広いパターンと一致しています。GitHubが数百万の同時エージェントコミットのためにストレージとトランスポート層を再構築し、TwelveLabsがビデオラベリングステップを自動化し、Reactorがシミュレーションランタイムに資金を提供していることはすべて、同じ変化を描写しています。

開発チームが依存するツールは、人間のペースを中心に設計されていました。人は1日に数回コミットします。人は次に進む前にシーンを検査します。人は映像を視聴してラベルを書きます。主要なユーザーが自律エージェントまたはシミュレーションループになると、これらの前提はそれぞれ量で崩壊し、修正は下の層を再構築することです。

それはモデルを出荷するよりも遅く、目立たない作業であり、モデルが大規模に使用できるかどうかを決定する作業です。Reactorのラウンドは、この層が今や独自の市場であり、それが提供するモデルとは別であるという賭けです。賭けが報われるかどうかは、チームが自前で構築するよりもホストされたランタイムを採用するかどうかにかかっており、その質問はラウンドの規模ではなく、公開された結果によって答えられるでしょう。