CS2に招待制「VACNetラベリングポータル」、人間の判定でAIアンチチートを訓練

ValveのCounter-Strike 2（CS2）公式サイトに、招待制の映像レビューシステム「VACNetラベリングポータル」が登場した。CS:GO時代の「Overwatch」と異なり、レビュー担当者の判定は直接的なBANにはつながらず、AIベースのアンチチートシステム「VACNet」の機械学習用データとして使われる。2026年8月11日時点でValveは参加条件などを正式に発表しておらず、詳細の多くは招待を受けたユーザーやデータマイナーからの報告に基づいている。

■ポータルの概要と目的

Valveは、Counter-Strike公式サイトにブラウザベースの招待制コミュニティレビューシステム「VACNetラベリングポータル」を開設した。公式ページのタイトルは「CS2 Video Review」となっており、ページ内では「Counter-Strike 2 VacNet labeling portal」と案内されている。この仕組みにより、CS:GOの「Overwatch」に似た人間による映像レビューが、根本的に異なる目的でCS2に導入された。

調査員による有罪判定が一定数に達するとBANにつながっていたCS:GOのOverwatchとは異なり、新しいポータルの判定はプレイヤーを直接BANするものではない。レビュー担当者が入力した判定は、ラベル付きの正解データとしてVACNetの機械学習パイプラインに送られ、AIがチート行為を識別する精度を高めるために使われる。この違いは、Valveがこの仕組みを必要とした理由を理解するうえで重要だ。

2026年8月11日に配信された約42MBのパッチでは、ポータル関連の機能が追加されたと報じられている。対象となるレビュー担当者のCS2メインメニューには、外部サイトへリンクする「V」アイコンが表示されるという。招待を受けずに counter-strike.net/vacnet にアクセスすると、「Counter-Strike 2のVacNetラベリングポータルです。参加への招待を受けている場合は、ログインしてください」と案内される。

■CS2移行で使いにくくなった訓練データを再構築

VACNetラベリングポータルが解決しようとしているのは、従来のVACNetがCS:GOのプレイ挙動を基に構築されており、そのデータをCS2へそのまま適用することが難しいという問題だ。

2015年6月にCS:GOのOverwatchが導入された際、経験豊富で信頼性が高いと判断されたプレイヤーは、通報されたユーザーの匿名化映像を視聴し、チート行為があったかどうかを判定できた。Valveのエンジニアであるジョン・マクドナルド氏は、2018年のGame Developers Conference（GDC）で、このコミュニティによる判定データがVACNetの基盤になった経緯を説明している。

Overwatchの調査員が違反ありと判定した事例は正例として、違反なしとされた事例は負例として学習に使われた。ディープラーニングモデルは、ラベル付けされたゲームプレイの連続データから、照準が急激に飛ぶ動き、照準追従の一貫性、反応時間の分布など、人間のレビュー担当者が不審だと判断する行動上の特徴を学習した。

マクドナルド氏のGDC講演を扱ったハーバード・ビジネス・スクールの学生による分析では、初期段階において、人間によるレビューだけの場合は15〜30％だった有罪判定率が、AIの導入後には80〜95％へ上昇したと報告されている。

2023年9月にSource 2エンジンを採用したCounter-Strike 2が正式リリースされると、CS:GOで構築された行動データとCS2のプレイ環境との間にずれが生じた。CS2のサブティック入力システムは、CS:GOのティックレート方式よりも細かな時間単位でプレイヤーの操作を処理する。移動に関する物理挙動も異なり、VACNetがCS:GOで検出対象として学習したサーバー側の行動パターンは、CS2の挙動にそのまま対応するとは限らない。

CS:GOの行動を基に訓練されたVACNetがCS2の行動を判定する状況は、機械学習で「ドメインシフト」と呼ばれる問題に当たる。これは、訓練データの統計的な分布と、実際にモデルを使用する環境の分布が一致しなくなる現象だ。

ポータルは、CS2に適した訓練データを新たに生成するための仕組みである。人間のレビュー担当者が検出対象となったCS2の映像を確認し、決められたカテゴリでラベル付けする。そのデータを正解例として、VACNetの次回以降の訓練に利用する考えだ。

■ポータルの具体的な仕組み

レビュー画面は簡素で、映像の分類に特化した構成になっている。レビュー担当者には、壁越しにプレイヤーの位置を確認できるX線表示を有効にした映像が示される。これはデモ映像の確認時に、チート行為を見分けやすくするための表示機能だ。

データマイナーの@aquaismissing氏による初期報告では、各レビュー担当者には、全体で最大6分程度になる場合がある映像から切り出した10〜15秒の区間が表示され、同じ映像の異なる区間が複数の担当者に割り当てられるという。ただし映像の長さについては異なる報告もあり、Valveから正式な仕様は公表されていない。

各区間の終了後、レビュー担当者は疑われる行動を「Aim Assist」「WallHack」「AutoBHop」「Farming Bot」の4カテゴリから選択する。このほか、自信を持って判定できない場合に使用する「Skip」ボタンと、映像が破損している、利用できない、レビュー対象として不適切といった場合に使用する「Bad Clip」フラグが用意されていると報告されている。

ポータルにはラベル付けした映像の累計数も表示されるほか、「Invite Reviewers」ボタンも確認されている。このボタンは、信頼できる参加者が将来、ほかのレビュー担当者を推薦し、参加者を増やせる可能性を示している。ただし、実際に招待機能が利用できる時期や条件は明らかになっていない。

短い映像を複数の担当者に評価させる設計は、機械学習用データの品質を管理する方法として合理的だ。複数の独立した担当者が同じデータを評価すれば、評価者間の一致度を測定できる。意見が分かれた映像よりも、一貫したラベルが付いた信頼性の高い映像を、訓練時に重視することも可能になる。

「Bad Clip」フラグも同様に、ノイズが多い映像や判定が難しいデータを訓練セットから除外するための仕組みと考えられる。

■ラベル付けがBANに直結しない理由

VACNetラベリングポータルがCS:GOのOverwatchと大きく異なる点は、レビュー担当者の判定が、対象プレイヤーへの直接的な処分につながらないことだ。

CS:GOのOverwatchは、違反者を処分するシステムであると同時に、その判定結果から訓練データを生成していた。調査員が違反の有無を判定し、十分な数の有罪票が集まるとBANが実施され、VACNetはその記録を事後的に学習していた。

新しいポータルはこの関係を反転させ、処分機能を持たない訓練データ生成システムとして設計されている。

この設計には、機械学習上の理由がある。教師あり学習モデルが利用する信頼性の高い正解データを作るには、評価者間で高い一致度を確保する必要がある。例えば、同じ映像を見た一人が「Aim Assist」と判断し、別の一人が「不審ではない」と判断した場合、その映像は曖昧なデータとなる。こうしたデータを学習させると、VACNetが誤った特徴を覚えるおそれがある。

ポータルの目的は、高品質で一貫したラベルを大規模に収集することであり、短時間で処分を決めることではない。判定を直接BANにつなげる仕組みでは、レビュー担当者に迅速な結論を求める圧力がかかり、ラベルの一貫性が損なわれる可能性がある。その結果、改善するはずのAIの精度をかえって低下させかねない。

Strafe Esportsは、パッチ配信の数週間前にポータルの登場を予測していたCS2のデータマイナー、Gabe Follower氏が、別の実用的な理由を指摘していたと伝えている。Gabe Follower氏によると、CS:GOのOverwatchでは、チート開発者がデモプレイヤーをクラッシュさせ、事例のレビューを妨害する手法が繰り返し使われていたという。

レビュー担当者のラベルとBANの判断を切り離せば、こうした妨害の動機を弱められる。ラベリングセッションの結果が特定のアカウントのBANに直結しないため、セッションをクラッシュさせても、そのアカウントを処分から守る直接的な効果は得られないからだ。

■招待制と機密性の重視

ポータルへのアクセスは意図的に制限されている。Valveは最初の招待者を選ぶ基準を公表しておらず、2026年8月11日時点で正確な条件は不明だ。

CS:GOのOverwatchの前例から、コミュニティでは、トラストファクターが高く、十分なプレイ実績があり、BAN歴のないアカウントが候補になるのではないかと推測されている。ただし、これはValveが示した公式条件ではない。

Gabe Follower氏の公開前の報告によると、招待は1回限りで、1つのアカウントにひも付けられるよう設計されているという。ボットネットや悪意ある参加者が作為的な判定を大量に送り込み、ラベル付け用データを汚染することを防ぐための品質管理策とみられる。

また、レビュー担当者は、評価する映像を録画、配信、共有しないよう求められているという。CS:GOではOverwatchの映像がYouTubeなどで広く共有され、人気のコンテンツ形式になっていた。

Valveは今回、コミュニティ向けコンテンツとしての価値よりも、訓練データの完全性を優先していると考えられる。チート開発者が、どのような挙動が検出対象となり、人間がどのように分類しているかを把握できれば、VACNetが学習している特徴を推測する手掛かりになり、チート対策とのいたちごっこを加速させる可能性がある。

■2026年アンチチート再構築の第3段階

VACNetラベリングポータルは、単独で進められている取り組みではない。CS2をめぐる2026年のアンチチート対策を3段階で捉えると、ポータルの位置付けが分かりやすい。

第1段階はデータパイプラインの修正だ。Valveは2026年7月28日付の公式アップデートで、悪意あるプレイヤーがVACNetによる処理を回避できていた不具合を修正した。この問題は、チート行為に関するデータがVACNetの検出処理へ正常に届くことを妨げていたとされる。

第2段階は、取り締まりの強化と補完的な行動検出である。8月5日にシーズン9とともに導入されたとされるFACEITの「Human Input Detection」は、プレイヤーの入力が人間の手で物理的に可能かどうかを評価するクライアント側の検出レイヤーだ。VACNetのサーバー側分析だけでは対処しにくい種類の不正操作を検出することを目的としている。

第3段階がVACNetラベリングポータルだ。VACNetに入力されるデータの流れが修復され、別の検出システムによる補完も進む一方で、VACNetの行動モデルにはCS:GO時代のデータを基礎としているという課題が残る。ポータルは、CS2環境に合わせた訓練データを生成し、VACNetの検出精度を高める役割を担う。

■コミュニティの反応と今後の展望

初期のコミュニティの反応は、慎重ながらもおおむね好意的だ。CS2のアンチチート対策に不満を抱えてきたプレイヤーにとって、Valveが新たな検出基盤を構築しているとみられる動きは歓迎材料となっている。

一方、具体的かつ技術的な観点から疑問を示す声もある。ポータルの初期映像を公開した@aquaismissing氏は、人間が確認しなくても明白に見えるチート行為がレビュー対象になっているとして、次のように批判した。

「人間にこんな映像をラベル付けさせるなんて、あまりにひどい。AIが検出に苦労する、目立たないウォールハックや判断の難しい事例を扱うものだと思っていた。Valveはいったい何をしているんだ。こんなものに人的資源を使っているのか」

この批判は、ポータルの設計が抱える実際の緊張関係を表している。機械学習の訓練セットには、明白な例と微妙な例の両方が必要だ。明白な正例はモデルに分かりやすい特徴を学習させ、微妙な例は分類の境界にあるケースを学ばせる。

しかしレビュー担当者の立場では、誰が見ても明らかなスピンボットを「Aim Assist」と分類する作業は、単純で価値が低いように感じられる。そのラベルの実際の価値は、人間にとってどれほど判定しやすいかではなく、同種の例がデータセット内でどれほど不足しているかによって変わる。

VACNetの精度がどれほど早く改善し、その効果が実際の試合でどのように現れるかによって、このポータルの評価は決まるだろう。CS2の競技環境を改善する転機となる可能性がある一方、利用者から見える変化をもたらさないまま、訓練データだけを生成する機能にとどまる可能性もある。

■CS2 VACNetラベリングポータルへのアクセス方法

2026年8月11日時点で、Valveは具体的な参加資格を公表していない。CS:GOのOverwatchの前例から、トラストファクターが高く、十分なマッチメイキング履歴があり、過去にBANを受けていない信頼性の高いアカウントが初期の対象になる可能性があると推測されている。

ポータルの画面で確認された「Invite Reviewers」ボタンは、招待済みの参加者が将来、ほかのプレイヤーを推薦できるようになる可能性を示している。誰でも参加できる一般募集ではなく、既存参加者を介して信頼できるユーザーを増やす方式になることも考えられるが、Valveから正式な説明はない。

参加資格があるか確認したい場合は、Steamアカウントにログインした状態で、Counter-Strike公式サイトのVACNetポータルへアクセスできる。招待対象となったプレイヤーには、CS2のメインメニューにポータルへのリンクとなる「V」アイコンが表示されるという。

■注目ポイントQ&A

●CS2のOverwatchは復活したのですか？CS:GO版と同じ仕組みですか？

CS2のVACNetラベリングポータルは、Overwatchに似た映像レビューを、異なる目的で再構成した仕組みです。CS:GOでは、Overwatchの調査員による判定が一定数一致するとBANにつながりました。新しいポータルでは、レビュー担当者のラベルは対象プレイヤーの直接的な処分には使われず、VACNetの機械学習用データとして利用されると報告されています。

この変更の背景には、信頼性の高いAI訓練データを作るには、迅速な処分判断よりも、一貫した人間のラベルが必要であることがあります。また、CS:GOのデータに代わるCS2固有の行動データを生成する狙いもあると考えられます。

●VACNetラベリングポータルで映像をレビューしても、即座にBANされないのはなぜですか？

ポータルは機械学習用データを生成するための仕組みであり、プレイヤーを処分するためのシステムではないからです。VACNetのような教師あり機械学習モデルは、高品質で一貫したラベル付きデータから学習します。

同じ映像についてレビュー担当者の意見が分かれた場合、その映像は曖昧なデータになります。そうしたデータで訓練すると、モデルが誤った特徴を学ぶ可能性があります。

また、ラベル付けをBANから切り離すことで、チート開発者がレビューセッションをクラッシュさせたり、判定を操作したりする動機を弱められます。ポータルの効果は、収集したCS2固有のデータでVACNetが再訓練され、検出精度が向上した後に現れることになります。

●CS2のリリース時にVACNetの訓練データはどうなったのですか？

VACNetはもともと、CS:GOのOverwatchで蓄積された、人間による判定データを使って訓練されました。2023年9月にSource 2エンジンを採用したCS2が正式リリースされると、サブティックシステム、物理挙動、サーバー側で観測されるプレイパターンなどが変化しました。

このため、CS:GOで学習した行動パターンを、CS2へ同じ精度で適用できるとは限りません。VACNetラベリングポータルは、コミュニティのレビュー担当者による判定を通じて、CS2固有の正解データを新たに生成するための仕組みと位置付けられます。

●Aim Assist、WallHack、AutoBHop、Farming Botの4カテゴリから何が分かりますか？

4つのカテゴリは、VACNetがCS2の正当なプレイと区別する必要がある行動上の特徴に対応しています。

Aim Assistは、ソフトウェアによる照準支援です。WallHackは、壁などの遮蔽物を越えて敵の位置を把握する不正行為です。AutoBHopは、自動化された入力によってバニーホップを繰り返すもので、ジャンプのタイミングや移動パターンから検出できる可能性があります。

Farming Botは、戦績や報酬などを得るために自動操作されるアカウントを指します。一般的な対戦チートとは性質が異なりますが、試合データやCS2内の経済に悪影響を及ぼす可能性があります。

Farming Botが分類対象に含まれていることは、VACNetが正当なプレイヤーとチート使用者を区別するだけでなく、人間の操作と自動化されたボットの操作を識別することも想定している可能性を示しています。

元記事: Valve Launches CS2 VACNet Portal: Human Labels Train AI Anti-Cheat, Skip Bans