Blender×Claude Codeでキャラ素体生成：AI駆動モデリングの極致と数値検証

• Claude CodeとBlenderを連携させ、ヘッドレス環境でゲーム用キャラ素体を自動生成するワークフローを構築。
• 断面グラフやレイキャストによる数値解析を導入し、感覚に頼らない客観的なメッシュ品質評価を実現。
• AIへの指示は「違和感の画像提示」と「原因の見立て」に絞り、設計値に基づく反復的な修正プロセスを確立。

多くのエンジニアにとって、3Dモデリングは「職人の勘」に依存するブラックボックスな領域だ。しかし、本事例が提示するのは、モデリングを「数値による最適化問題」へと昇華させる極めてエンジニアリング的なアプローチである。著者は、Claude Code（Claude Opus 5.5）をエージェントとして活用し、Blenderをヘッドレスで操作することで、人間が手作業で頂点をいじるという非効率なプロセスを排除した。ここで重要なのは、AIに対して「なんとなく綺麗にして」と曖昧な指示を出すのではなく、「どこを・どのくらい・どの規則で動かすか」を厳密に宣言し、その結果を断面のグラフと数値で検査するという、まさにCI/CDパイプラインのような品質管理手法を導入している点だ。

具体的には、頭部のトポロジー設計において、エッジの流れを表情の動きに最適化させるため、Dijkstra法を用いて縁からの表面距離を算出し、等高線をマーチング三角形で抽出するという手法をとっている。これは単なるモデリングではなく、幾何学的な制約条件を満たすためのアルゴリズム実装である。特に興味深いのは、AIへの指示出しの作法だ。違和感のある箇所を画像で示し、その原因の見立てを添えることで、AIは断面を取ってグラフ化し、検出基準と修正方法までを提案する。この「人間が問題の所在を定義し、AIが計算と実装を担う」という役割分担こそが、生成AI時代の開発現場における理想的な協働形態ではないだろうか。

また、本プロジェクトでは「凍結」という概念を導入している。版確定としての意味を持つこの凍結プロセスにより、規則が出した頂点の変位をnpzファイルに保存し、適用時にはその値をそのまま使用する。これにより、モデルの再現性を担保し、修正のたびに結果がブレるという生成AI特有の課題を克服している。これは、スパゲッティコード化した手作業のモデリングデータから脱却し、コードベースで管理可能な「資産としてのモデル」を構築するための極めて重要なステップである。

モデリングの品質を「クレイ表示でなんとなく綺麗」と判断するのは、テストコードを書かずにデプロイするのと同じくらい危険な行為だ。著者は、面質の評価を3種類の断面グラフに落とし込み、客観的な合格基準を設けている。具体的には、エッジループの断面における頂点ごとの曲がり角、レイキャストによる奥行きの計測、そして頭全体の輪切りによる局所的な折れの検出である。これらにより、例えば「上まぶたの凹みの指標」や「こめかみの折れ」といった、従来は熟練者の目視に頼っていた品質指標を、明確な数値として定義することに成功している。

特に注目すべきは、まつ毛の追従処理における数学的アプローチだ。単なる平行移動ではなく、最も近い顔の面の点と面の向きを記録し、行列演算を用いて表情に追従させることで、目を閉じても毛束が不自然に浮かない仕組みを実現している。この実装には、numpyやscipyといったPythonの科学計算ライブラリがフル活用されており、Blenderというツールを単なるGUIソフトとしてではなく、計算プラットフォームとして使い倒している姿勢が伺える。以下に、本プロジェクトで採用された主要な品質基準の一部をまとめる。

これらの数値は、単なるスペック表ではない。開発者が「どこまで作り込めばゲームエンジン上で破綻しないか」という境界線を、自らの手で定義した証左である。特に、首の継ぎ目の開きが1.7e-7mという極めて微小な値に抑えられている点は、物理ベースのレンダリングやアニメーションにおいて、いかにトポロジーの整合性が重要であるかを物語っている。我々エンジニアは、こうした「数値による裏付け」をどれだけ自身の開発プロセスに組み込めているだろうか。感覚的な修正を繰り返す無限ループから脱却し、計算可能な品質管理へと移行することこそが、AI時代のエンジニアに求められる真のスキルセットである。

本記事が提示したワークフローは、単なる「AIを使ったモデリングの記録」ではない。それは、人間が「設計者」となり、AIを「実装者」として使いこなすための、極めて高度なプロトコルである。著者が示した「作業のルール」には、変更範囲の宣言、固定境界の明示、そして数値による採否判定という、ソフトウェア開発における堅牢なエンジニアリングの原則が貫かれている。しかし、ここで我々が直面しなければならないのは、AIの進化速度と、我々の設計能力の乖離という課題だ。AIがより複雑な形状を生成できるようになればなるほど、それを制御するための「評価関数」や「制約条件」を定義する人間の能力が、プロジェクトの成否を分けることになる。

もし、あなたが明日から同様のワークフローを導入しようとするならば、まずは「自分の作業を数値化する」ことから始めるべきだ。モデリングであれ、コードの品質であれ、あるいはインフラの構成管理であれ、感覚的な判断を排除し、何をもって「成功」とするかを定義すること。そして、その定義をAIに理解可能なコンテキストとして提供すること。これができなければ、AIは単なる「ランダムな生成器」に過ぎず、我々はAIが吐き出した結果のデバッグに追われるだけの存在になってしまうだろう。AIは、我々が「何をしたいか」を明確に言語化・数値化できた分だけ、その能力を最大限に発揮する。

最後に、読者諸氏に問いたい。あなたの現在の開発現場において、AIに「丸投げ」している作業はないだろうか。そして、その結果を「数値」で検証するプロセスは確立されているだろうか。AIを単なるツールとして使うのではなく、自らの思考を拡張するパートナーとして組み込むためには、我々自身がより厳格な設計者へと進化しなければならない。AIが生成したコードやモデルの「違和感」を、あなたは数値で説明できるだろうか。その問いに対する答えこそが、AI時代を生き抜くエンジニアの価値を決定づけることになるはずだ。