生成AIとは？

生成AIと従来のAIの違い

2020年代より前のAIの多くは「予測型」でした。入力を見てラベルや数値を返すタイプで、このメールはスパムか、この家の価格はいくらか、写真に写っているのは誰か、といった問いに答えます。生成AIはこの向きを逆にします。短い入力から、まるごと新しいコンテンツを作り出すのです。

どちらも例を使って学習し、統計的に動く点は同じです。違いは出力の形にあります。スパムフィルターが返すのは1つの単語ですが、言語モデルは、それまで存在しなかった段落を書き出します。

両方を組み合わせた製品も多くあります。音声文字起こしツールは、文字起こしを書き出すという意味では生成的ですが、正解の文字起こしが1つに決まるため、性質は予測に近いといえます。

生成モデルの仕組み

生成モデルはどれも、2つの段階という同じ考え方で動きます。学習では、数百万から数十億の例を見ながら、内部の数値（パラメータ、または重み）を調整し、データのパターンを再現する精度を上げていきます。実際に使うとき（推論と呼びます）は、プロンプトを出発点に、学習した内容を手がかりにして出力を一歩ずつ組み立てます。

モデルは、学習データを1件ずつ保存して貼り付けているわけではありません。テキストや画像、音が一般にどんな形をしているかを、圧縮した統計的な像として持っています。だから新しい組み合わせを作れる一方で、自信満々に間違えることもあります。

現在の主な仕事は、次の3つのモデル系統が担っています。

2017年に登場したトランスフォーマーのアーキテクチャは、ほぼすべての大規模言語モデルの土台です。拡散モデルは2020年以降、画像生成の主流になりました。GANは2014年に最初に登場し、現在も一部の高速な画像処理に使われています。境界は曖昧になりつつあり、自己回帰型の画像モデルもあれば、拡散とトランスフォーマーを組み合わせた動画モデルもあります。

生成AIで作れるもの

考え方はどのメディアでも共通です。変わるのは、学習データと出力の表現方法です。

AIメディアツールのすべてが、完全な意味での生成型というわけではありません。たとえばcv.cmの写真から動画を作るツールは、1枚の写真から深度マップを推定し、その中を仮想カメラが動きます。カメラは動きますが被写体は動きません。動きの新しいフレームを作り出してはいないからです。一方、テキストから動画を作るモデルは、すべてのフレームを生成します。

具体例：1つのアイデアを複数のモデルで形にする

小さなお店が、新しいマグカップを紹介する15秒のクリップを作りたいとします。生成AIを使う典型的な流れは次のとおりです。

1. テキスト：チャットモデルに、短いキャプションを3案と、30語ほどのナレーション原稿を頼みます。気に入ったものを手で直します。
2. 画像：撮りたいカットを画像モデルに説明します。たとえば、やわらかな朝の光の中、木のテーブルに置かれた商品、といった具合です。何枚か生成して1枚を選びます。
3. 動画：その画像と短い動きのプロンプト（湯気が立ち上る中でゆっくりプッシュインする、など）を、画像から動画を作るモデルに渡します。
4. 音声：原稿を音声合成モデルで読み上げさせるか、自分で録音します。
5. 字幕：音声を音声認識モデルにかけてSRTファイルを作り、誤りを直します。
6. 確認：商品が実物と合っているか、文字の綴りは正しいかを確かめ、必要な場合はAI生成であることを表示します。

各ステップで使うモデルは違いますが、やっていることは同じです。短い指示を、学習で得たパターンに合う新しいコンテンツに変えています。また、モデルごとに失敗の傾向があるため、どのステップにも人の目によるチェックが必要です。

Weak prompt:
mug ad

Stronger prompt:
A white ceramic mug with a thin blue rim on a light oak table,
soft morning window light from the left, steam rising,
shallow depth of field, product photo, no text, no logo.

強いほうのプロンプトは、被写体、素材、場所、光、入れてほしくないものを指定しています。生成モデルは空白を、学習した中で最もありがちな選択で埋めます。指定が多いほど、推測に任せる部分が減ります。

生成AIの得意なことと苦手なこと

生成AIが得意なのは、最初の下書きを素早く作ること、文章の言い換え、渡した長い資料の要約、翻訳、たくさんの案出し、ざっくりしたアイデアを画像や音にすることです。

苦手なところにも、決まった傾向があります。

• 事実：言語モデルは、誤った情報をまったく自信ありげに述べることがあります。これをハルシネーション（作話）と呼びます。
• 数えることと細部：指が5本、りんごが3個、12語の文。モデルは近似で答えます。
• 画像内の文字：看板やラベルの綴りが崩れがちです。ただし、執筆時点では改善が進んでいます。
• 動画の物理と連続性：物体が溶け合ったり、消えたり、あり得ない動きをしたりします。
• 最新情報：モデルが知っているのは、学習データに含まれる、ある時点までの内容だけです。検索につながっていれば別です。
• 少数言語・方言・訛り：学習データが少ない領域では品質が下がります。

実用上の目安は、間違いに気づきやすく、直すコストも低い場面で生成AIを使い、間違いが高くつく場面ではすべて確認する、ということです。

生成AIを責任をもって使うために

AIの出力を公開したり頼ったりする前の、簡単なチェックリストです。

1. 事実、数字、引用、リンクは、一次情報で確認する。
2. 自分で管理できないツールに、個人情報、パスワード、顧客のファイル、身分証を貼り付けない。モデルを端末上で動かすブラウザベースのツールなら、ファイルをアップロードせずに済みます。
3. ツールの商用利用に関する規約を確認し、実在の人物、ロゴ、使う権利のないキャラクターをプロンプトに入れない。
4. 法律やプラットフォームが求める場合は、AI生成・AI編集のメディアであることを表示する。中国やEU、多くのプラットフォームに表示ルールがあります。
5. とくに医療、法律、金融、ニュースでは、最終結果の責任を人が持つ。

生成AIは、もっともらしい出力を予測する道具です。答えを知っている権威ではなく、下書きを作ってくれる速いアシスタントとして扱ってこそ、大いに役立ちます。