**『ズートピア2』作業中の個人の感想/メモ**

2026/01/07 21:29

**『ズートピア2』作業中の個人の感想/メモ**

RSS: https://news.ycombinator.com/rss

要約

Japanese Translation:

概要

ディズニーアニメーションの2025年作品 「ズートピア 2」 は、スタジオの第64作目であり2016年映画の直接続編です。この作品は9年間にわたる技術進歩を測定する実践的なベンチマークとして機能します。制作は前作と同様に、ディテール・スケール・多種環境および照明条件での複雑なシミュレーション/FXというコア課題に取り組みつつ、いくつかの主要技術をさらに押し上げました。

  • Frozen 後に開発された雪理論を用いて数千個の個別氷晶から構築しました。
  • :チアン・ヘアシェーディングモデルを継続使用し、より高精度かつ高速化したレイ曲線交差アルゴリズムで改良しました。
  • Moana 2 の水システムを拡張し、移動する水・泡・波しぶき・周囲都市環境を含むガラス管を満たすカスタム「ウォータートューブ」シーケンスを導入。ネストされた誘電体解法でモデル化しました。
  • パスガイディング:ディズニーの次世代 OpenPGL ベースのパスガイディングシステムを大規模に展開し、映画全体の約12 %をレンダリング。複雑なシーンで顕著な効率向上を実現しました。

制作はまた、新しいワークフロー 「タクティクス戦略」 を導入しました。この戦略により、レンダリングチームがアセット作成の初期段階から関与し、外観品質を損なうことなく数千キャラクターをパフォーマンス向上用に最適化できました。さらにディズニーは Maya から Presto に移行し、USD 内で新たなクラウドリグ作成・可視化手法が必要となりました。

Zootopia 2 用にこれらのツールを特化させることで、ディズニーの社内技術チームは将来のディズニーアニメーション作品全体でより広く採用されるモデルを示しました。結果として得られた高品質レンダリング手法と合理化されたワークフローは業界基準を上げ、同様のパフォーマンス向上を目指すアーティスト、テクニカルディレクター、および他のスタジオに利益をもたらします。

個人的なメモ:著者の第一子が制作中に誕生しました(クレジットに記載)。


本文

2025年12月17日
タグ:映画

ディズニー・アニメーションが2025年に公開予定の作品は 『ズートピア2』 です。スタジオ第64作目となる長編アニメーションで、前作の続きとして都市の壮大かつ野生的な動物世界へさらに深く踏み込んでいきます。

『ズートピア』シリーズにおける楽しい点の一つは、作品ごとに世界観を拡張していることです。

  • 1作目が舞台設定を提示した。
  • Disney+ の Zootopia+ シリーズでキャラクター短編を通じてその世界を掘り下げた。
  • 『ズートピア2』は都市の歴史に深く入り込み、既存と新しい場所へも足を踏み入れます。

過去二年間、『ズートピア2』で働いてきて本当に楽しかったです!

技術的観点から見ると、続編は常に興味深いものです。既知のベンチマークと比較しつつ、自社の制作能力がどれだけ進歩したかを評価できるからです。『ズートピア』映画を作る上で必要な要件はほぼ把握済みなので、間隔年数でどれほど改善されたかを確認できます。

特に『ズートピア2』が興味深いのは、2016年版 Zootopia がディズニー・アニメーションの技術開発において重要な転換点だったためです。その前の十年間、スタジオはCG映画制作における急激な学習曲線を登っていました。各作品には前例のない課題が付きまとい、 Zootopia は膨大な挑戦リストを提示しました。しかし完成時には、スタジオ全体で何が実現できるかに対する自信がより強く感じられました。

小さな逸話ですが、SIGGRAPH 2017で主要なピアフェーチャーアニメーションスタジオの友人から「Zootopia をどうやって作ったのか全く分からない」と言われた経験があります。その後もスタジオは「この映画は難しいが、作る方法を知っている」という信念を持ち続けました。各作品において依然として興味深い課題と困難が残りますが、『ズートピア』完成以降、それらに対してより自信をもって取り組めます。

『ズートピア2』で直面した主な技術的課題は、2016年版とほぼ同様でした:すべて詳細とスケールに関することです。ズートピアの世界は極めて詳細で視覚的に豊かであり、その細部は小さなショウリ(ミンク)から最長のキリンまで多様なスケールで耐え得る必要があります。ほとんど全キャラクターが緻密な毛皮や髪を持ち、現代都市という設定上、一度に画面上に数百〜千人のキャラクターが登場し、車両・ライト・無数の小道具で囲まれます。ほぼすべてのショットは複雑なシミュレーションやFX作業を伴い、物語はあらゆる環境と照明シナリオを通過します—これら全てを統一的かつ効率的にレンダリングする必要があります。

『ズートピア』(2016)を再鑑賞すると、各フレームに詰め込まれたジオメトリとシェーディングの詳細さが目立ちます。過去9年間で私たちのアーティストはさらにその限界を押し上げています。

例えば制作中にレンダリングチームが、極めて詳細な雪景色(小さなグリントが数多く含まれる)を発見しました。シーンを開いてみると、アーティストたちは雪を「無数の個別アイスクリスタル」から構築していたことが分かります。この手法は Frozen 制作直後にディズニー研究部門で理論的に検討されましたが、その時点では実装段階ではありませんでした。10年後、私たちのアーティストが実際にそれを実装しました。その結果は驚くべきものです。現代のレンダラーとコンピュータなら、ブルートフォースでほぼ簡単にこの効果を得られます。

2016年版 Zootopia で最も大きなレンダリング進歩の一つは、チアンヘアシェーディングモデル(Chiang Hair Shading Model)の開発でした。以降、このモデルは毛皮/髪のシェーディングにおける業界標準とされています。『ズートピア2』ではチアンモデルをそのまま採用しつつ、ヘアレイジオメトリ交差アルゴリズムの精度と性能向上に大きく投資しました。レイ-カーブインターセクションを強化するには、Look Development アーティストとの膨大な反復が必要でした。ヘアシェーダ自体は変わらないものの、不正確なレイ-カーブ交差から生じるエネルギーの微小差異は多重バウンスで累積し、既存キャラクターの目標外観に対して大きな見た目の違いをもたらします。

過去10年間、ディズニー・アニメーションではさまざまなプロジェクトに携わる幸運がありました。『ズートピア2』では私が好きな二つのタイプに取り組みました:

  1. コードを書いたことで最終フレームを作り出した、非常に特定のビジュアルニーズ向けのカスタムソリューション。
  2. 先端研究を実用的かつ大規模な制作環境へ直結させるプロジェクト。

『ズートピア2』では前者がウォーターチューブシーケンス、後者がディズニー研究部門と共同開発した次世代パスガイディングシステムです。両プロジェクトは SIGGRAPH/DigiPro 2026 で紹介予定です。

ウォーターチューブシーケンス

『モアナ2』で使用された同じシステムが成功を収めましたが、今回のシーケンス(ニック・ジュディ・ガリ・デ・スネークが水管輸送システムで都市を走る場面)に合わせて拡張しました。キャラクターは移動する水で満たされたガラス管内におり、周囲の環境が透過します。アートディレクションに合致させるため、水のジオメトリを実際にモデル化し、バブル・スロッシュ・ムークを可視化しました。標準的なネストドデイエレクトリックソリューションをカスタマイズしたバージョンを構築しました。ネストドデイエレクトリクは学術レンダラーでは単純ですが、制作レンダラー内で正しく実装しつつ性能を維持するには追加作業が必要でした。

パスガイディングシステム

『モアナ2』の制作中に、ディズニー研究部門と協力して Hyperion の次世代パスガイディングシステム(ボリューム・サーフェス両対応)を開発しました。この新システムは最先端の Open Path Guiding ライブラリ上に構築されています。『ズートピア2』が初めてこのシステムを広範囲でデプロイし、映画全体の約12%をパスガイドでレンダリングしました。SIGGRAPH 2025 で技術詳細を発表したものの、パスガイディングを本格的に制作規模へ拡張するには多大な作業が必要でした。この取り組みは Hyperion デベロッパーとディズニー研究部門スタッフとの深い協働によって実現し、現在では Hyperion が主要な研究レンダリングプラットフォームとして使用されています。

タクティクス & 最適化

妻のハーモニー・リー(Harmony Li)は『ズートピア2』でアソシエイトテクニカルスーパーバイザーを務め、キャラクタールック、シミュレーション、技術アニメーション、群衆、および「タクティクス」―ショー全体の最適化―を統括しました。レンダリング最適化は、レンダリングチームを資産構築により密接に組み込みました。数千人規模の大群衆が画面上で同時に登場するため、各キャラクターを最大限に最適化しつつも最終外観を損なわないようにしました。またタクティクス戦略では USD での群衆リグ作成・表現方法や、3D ソフトウェア内で毛皮覆われた大規模群衆をインタラクティブに可視化する新手法を開発しました。初めてのフル機能映画プロジェクトで、ディズニー・アニメーションは Maya から Presto に切り替え、前例のないリグタイプを扱いました。

社内技術開発の価値

専任の社内技術開発チームを持つことは計り知れない価値があります。ディズニー・アニメーションの使命は常に芸術形態の限界を押し広げ、最高品質の映像作品を制作することです。Hyperion のカスタム機能はニーズとワークフローをサポートしますが、その真価はレンダリングチームとアーティスト/TD との緊密な協働にあります。各映画ごとに最大限の柔軟性・カスタマイズ性で必要なツールを構築できる点が本質です。

私が直接関わったプロジェクトについてはここに書きましたが、これは『ズートピア2』制作に投入された多くの類似プロジェクトのほんの一部です。映画は数十もの同様の取り組みを経て実現され、私はその一翼を担えたことを嬉しく思います。

個人的な話として、妻と私が製作中に初めて子供を授かり、その名前が「プロダクションベイビーズ」セクションでクレジットされています。これはクールな伝統であり、映画の遺産に永続的に刻まれます。

以下は『ズートピア2』から抜粋した美しいフレームです。最後のディテールまで数百人のアーティスト・TD・エンジニアが手作業で仕上げました。この映画は最大限のシアター画面で見る価値があります!

(以下の画像はすべて Walt Disney Animation Studios の許諾を得たものです。)


参考文献

  • Burkard, N., Keim, H., Leach, B., Palmer, S., Petti, E.J., & Robinson, M. (2016). From Armadillo to Zebra: Creating the Diverse Characters and World of Zootopia. ACM SIGGRAPH 2016 Production Sessions, Article 24.
  • Chiang, M.Y., Bitterli, B., Tappan, C., & Burley, B. (2016). A Practical and Controllable Hair and Fur Model for Production Path Tracing. Computer Graphics Forum, 35(2), 275‑283.
  • Herholz, S., & Dittebrandt, A. (2022). Intel® Open Path Guiding Library.
  • Müller, T., Papas, M., Gross, M., Jarosz, W., & Novák, J. (2016). Efficient Rendering of Heterogeneous Polydisperse Granular Media. ACM Transactions on Graphics, 35(6), Article 168.
  • Reichardt, L., Green, B., Li, Y.K., & Manzi, M. (2025). Path Guiding Surfaces and Volumes in Disney’s Hyperion Renderer – A Case Study. ACM SIGGRAPH 2025 Course Notes: Path Guiding in Production and Recent Advancements, 30‑66.
  • Schmidt, C.M., & Budge, B. (2002). Simple Nested Dielectrics in Ray Traced Images. Journal of Graphics Tools, 7(2), 1‑8.

同じ日のほかのニュース

一覧に戻る →

2026/01/13 4:27

了解しました!内容は明確で簡潔に保ちます。余分な改行や不必要な記号は入れず、リストがある場合は読みやすいようにきちんとインデントします。他にご要望がございましたら、お気軽にお知らせくださいね!

## Japanese Translation: **改訂された概要** CoworkはClaude Maxをベースにしたリサーチプレビュー・ツールで、現在はmacOSアプリを通じてMaxサブスクライバー向けに利用可能です。ユーザーが自分のコンピュータ上の特定フォルダへのClaudeのアクセス権を付与すると、そのフォルダ内のファイルを読み取り・編集・作成できるようになります。これにより、ダウンロードの整理、スクリーンショットからスプレッドシートを生成すること、散在したメモからレポートをドラフトするなどのタスクが便利に行えます。 標準的なチャットとは異なり、CoworkはAIにより大きな主体性を与えます。AIはタスクを計画し、実行し、進捗状況を提供します。このツールはClaude Codeと基盤を共有しており、非コーディングの文脈でもコード風の対話が可能です。ユーザーは既存のコネクター(例:ドキュメントやプレゼンテーション)をリンクしたり、Chromeとのペアリングでウェブ閲覧を行ったりして機能を拡張できます。AIは複数タスクをキューに入れ、並列実行することで前後のチャットを減らします。 制御権はユーザーに残ります:Claudeが見るフォルダとコネクターを選択し、大きな操作を行う前にプロンプトが表示されます。ただし、誤った指示でファイルが削除されたり、プロンプトインジェクションが発生するリスクもあるため、安全対策は継続的に開発中です。 このプレビューはフィードバックを集めることを目的としており、将来のリリースではデバイス間同期、Windowsサポート、強化された安全機能、および拡張されたコネクターオプションが追加される可能性があります。Coworkは個人向けにファイル整理を効率化し、手動監視を保ちながらファイルベースのワークフローを自動化する制御可能なAIアシスタントとして設計されています。

2026/01/13 1:04

**TimeCapsuleLLM:** 1800年〜1875年のデータのみで訓練された大規模言語モデル (Note: The length is preserved while using natural, polite Japanese.)

## Japanese Translation: ``` ## Summary TimeCapsule LLM プロジェクトは、歴史的な英語データのみを使用して言語モデルをゼロから構築し、現代のバイアス(「Selective Temporal Training」)を排除します。 - **Model evolution** - *v0* (16 M パラメータ、nanoGPT ベース) は約187 MB の1800年代テキストで訓練され、1800年代風の言語を生成しましたが、一貫性のない文になりました。 - *v0.5* (123 M パラメータ、引き続き nanoGPT) はコーパスを約435 MB に拡張し、文法・句読点を改善しましたが、高い幻覚と OCR ノイズに悩まされました。 - *v1* (700 M パラメータ、Phi 1.5 ベース) は約6.25 GB のデータで訓練され、歴史的事件や人物を正確に思い出せるようになりました。 - *v2mini‑eval1* (300 M パラメータ、90 GB London コーパス全体の15 GBサンプル) はわずか10 K ステップで訓練され、トークナイズ問題により「Who is Charles Dickens?」のような文字化けした出力が生成されました。 - *v2mini‑eval2* (v2mini‑eval1 と同じサイズ・データ) はチャールズ・ダーウィンについて極めて不連続なテキストを生成しました。 - **Dataset** 完全版 v2 データセットは1800–1875 年のロンドン テキストで 90 GB を含み、136,344 ドキュメントから構成されています。15 GB のサンプルは Hugging Face(https://huggingface.co/datasets/haykgrigorian/TimeCapsuleLLM-London-1800-1875-v2-15GB)で公開されています。 - **Training setup** *v0/v0.5* は GeForce RTX 4060 GPU、i5‑13400F CPU、および 16 GB RAM を使用しました。 *v1* と *v2mini‑eval1* はレンタル NVIDIA A100 SXM GPU 上で訓練されました。 - **Tokenization & evaluation** 時代固有のスペリングと語彙に対応するカスタムトークナイザー(vocab.json & merges.txt)を構築しました。出力は言語的正確さ、幻覚率、およびトークナイズ品質で評価され、バイアス統計は別途 v2 バイアスレポートに記載されています。 - **Future work** 今後の計画として、完全版 90 GB v2 データセットへの拡張、トークナイザーパイプラインの改良、およびより深いバイアス分析を実施します。 - **Impact** このプロジェクトは、歴史家・教育者・AI‑ethics 開発者が時代に即した言語モデルを必要とする際に有益であり、現代バイアスを減らすための時間的選択訓練(temporal selective training)の具体例として NLP コミュニティにも貢献します。 ```

2026/01/13 5:26

ファブリス・ベルラール氏のTS Zip(2024)

## 日本語訳: **概要** ts_zip は、GPU を活用したテキスト圧縮ツールであり、RWKV 169M v4 大規模言語モデル(パラメータを 8 ビットに量子化し、BF16 で評価)を使用してトークン確率を予測し、その予測に基づいて算術符号化を適用します。従来のツールよりも高い圧縮率を達成しています: - alice29.txt – **1.142 bpb**(21,713 B) - book1 – **1.431 bpb**(137,477 B) - enwik8 – **1.106 bpb**(13,825,741 B) - enwik9 – **1.084 bpb**(135,443,237 B) - linux‑1.2.13.tar – **1.021 bpb**(1,196,859 B)。 RTX 4090 上では、ツールは約 1 MB/s の速度で圧縮し、同程度の速度で解凍します。システムに少なくとも **4 GB の RAM** があることが前提です。ts_zip は実験的なものであり、バージョン間の後方互換性は保証されません。また、その性能評価は GPU/CPU またはスレッド数に依存せず、決定論的に行われます。この手法はプレーンテキストファイルで最も効果を発揮し、バイナリデータではエントロピーの削減がほとんど得られません。主に英語で訓練されていますが、他言語やソースコードにも比較的適切に対応します。 ダウンロードリンク: - Linux tarball: `ts_zip‑2024‑03‑02.tar.gz` - Windows ZIP: `ts_zip‑2024‑03‑02-win64.zip` 将来のリリースでは、圧縮率をさらに向上させ、言語サポートを拡大し、可能ならファイルタイプの取り扱いを追加しつつ、ハードウェア間で評価が再現できるようにすることを目指します。GPU リソースを持つユーザー(データアーカイブ担当者や大量テキストコーパスを管理する開発者など)にとって、速度を犠牲にせず高い圧縮率を実現できる最適なツールです