Wan2.2の「2人の料理人」がAIキャラクターアニメーションを変える理由
MoEアーキテクチャーの進歩を分かりやすく理解する
27,000個の道具が入った道具箱を想像してください。従来のAIは「毎回27,000個すべてを使う」と言います。徹底していますが無駄があります。Wan2.2 Animateは「各段階に合った14,000個を使う」と言います。同じ能力で計算費用は半分です。
これが、Wan2.2がキャラクターアニメーションで進歩した秘密です。
課題：1つのモデルに、全く異なる2つの仕事
AIがアニメーションのキャラクター動画を生成するとき、テレビの砂嵐のような混沌から始めます。「ノイズ除去」によって、ノイズを少しずつ一貫した画像へ変換します。
最初に必要な技能は、最後に必要な技能と全く異なります。
生成の初期（高ノイズ段階）：全体に関わる判断です。キャラクターはどこか、ポーズはどうか、全体構図はどうか。建築家が設計図を描く段階に似ており、まだドアノブの色を選んでいるわけではありません。
生成の後期（低ノイズ段階）：精密な作業です。顔の特徴はリアルか、影は正しいか、動きの細部は自然か。今度は細部にこだわるインテリアデザイナーになります。
従来のAIモデルは両段階に同じニューラルネットワークを使います。1つの頭脳が根本的に異なる2つの仕事を行います。動作はしますが最適ではありません。
Wan2.2の解決策：Mixture-of-Experts構造
Wan2.2は2つの専門的な「エキスパート」モデルを使い、生成処理を交代で担当します。
エキスパート#1：高ノイズの専門家
混沌とした初期段階で稼働します。空間推論と構図に最適化され、大まかな形、位置、配置といった骨格を作ります。
エキスパート#2：低ノイズの専門家
画像が形になり始めると引き継ぎます。質感、顔の特徴、リアルなモーションブラーなどの仕上げを得意とし、キャラクターに生命感を与えます。
切り替えは、画像がどれだけ「形成されたか」を測る信号対雑音比（SNR）に基づいて自動で行われます。SNRがしきい値を超えると、Wan2.2は滑らかに専門家を切り替えます。
なぜ「2」が最適なのか
なぜ3人や5人ではなく、ちょうど2人なのでしょうか。
研究から、動画のノイズ除去には2つの異なる段階があると分かりました。
- 構造の形成（高ノイズ→中ノイズ）
- 細部の洗練（中ノイズ→完成）
段階を増やすと利点なしに複雑さが増え、減らすと専門化の利点が失われます。
数値：
- 従来の14Bモデル：常に140億パラメーターが有効
- Wan2.2 MoE：総計270億、同時に有効なのは140億のみ
- 結果：同じ費用で容量は2倍
レストランに例えると、1人が全部を行う方式（従来）と、2人の専門料理人が同じ場所を異なる時間に使う方式（MoE）です。キッチンの広さは同じで、2人分の専門性を得られます。
キャラクターアニメーションに役立つ理由
キャラクターアニメーションには特有の厳しい要件があります。
- 正確な人体構造（初期段階）
- 繊細な表情（後期段階）
- 自然な運動特性（両段階で異なる側面）
- 環境との一体化（後期段階）
2つの専門家という設計は、これにぴったり対応します。高ノイズの専門家が解剖学的に正しい配置を作り、低ノイズの専門家が説得力のある人物に仕上げます。
従来の単一モデルは、競合する要求を1つのネットワークで両立させていました。結果は構図が弱いか、細部が乏しいかで、両方に優れることはまれでした。
実際の影響
この革新により、Wan2.2は民生用ハードウェアでプロ品質のアニメーションを実行できます。ゲーム用GPUのRTX 4090で、有効な14Bパラメーターすべてを処理できます。
費用：
- RTX 4090でのWan2.2：約$0.02/動画
- クラウドの競合：$1-4/動画
- 従来のVFX：1ショット当たり数百から数千
MoEの効率が、「研究プロジェクト」と「クリエイターが使う道具」を分けます。
意味すること
Wan2.2がMoEを発明したわけではなく、この仕組みは何年も前からあります。証明したのは、2エキスパートMoEが特に動画キャラクターのアニメーションに適していることです。
構造はオープンソース（Apache 2.0）です。すでに次の動きがあります。
- 利用しやすくするComfyUIワークフロー
- 特定スタイル向けのコミュニティ調整
- 2エキスパート設計を採用する競合プロジェクト
進歩の本質は複雑さではありません。動画生成には2つの異なる段階があると認識し、それぞれに対応したことです。
最高の革新とは、昔と同じやり方で行う必要が本当にあるのかを問い直すことかもしれません。