Scribble at 2026-10-25 11:24:01 Last modified: unmodified

なかなか良い参考となるページだ。特に冒頭で説明されているように、画像生成 AI に欠けているのは、実は人間のデザイナーやイラストレータを基準にした「創造性」や「オリジナリティ」なんかじゃない。人間の大半のデザイナーやイラストレータというのは、プロであろうと、実際にはオリジナリティなんてないのだ。クリエーティブにとって、もっと重要なことは、自分で考えたことを成果物へと正確に反映させる制御性なのであり、画像生成 AI は実のところ（そして皮肉なことに）そういう制御をまさしく機械的にこなすことができなかったのである。ここ最近の画像生成モデルが、こぞってレイアウト・コントロールをアピールしているのは、それが理由だと言える。

現状で言えることの多くを、このページでは解説してくれているので、ひとまずなぞっておこう。

現在の多くの画像生成モデルは、ノイズから画像を徐々に復元する「拡散モデル（diffision models）」をベースにしている。最新世代は、画像生成だけでなく言語理解も統合した「マルチモーダル・モデル」に進化している。そして、API を利用する場合、画像生成のコストは数十倍以上の差があり、単価ではなく目的の画像を得るまでの総コストで考えるべきだ。

さて、現行のメイン・ストリームである拡散モデルは、ローカル・コンピュータでも実行可能なほど手軽であり、シードを固定することで再現性を維持できる（同じプロンプトやモデルを使う限り、同じ画像を生成できるというていどに決定論的にふるまう）。これに対して Nano Banana や ChatGPT Images などのマルチ・モーダルなモデルは、指示追従能力が高くて文字の描画が得意であり、レイアウトもできる。上の記事を書いた著者の主張としては、重要なのは内部のアルゴリズムよりも、どれだけ言語を理解できるかという点だ。最近の拡散モデルでも、Qwen のように 10 GB を超えるサイズのテキスト・エンコーダを使うようになっている。

さて、プロンプトについて著者が強調しているのは、何が写っているかではなくどう撮られたかを説明するということだ。光源、カメラの位置、レンズの種類、フィルムの種別などなど。逆に、品質タグと呼ばれる "8K" とか "masterpiece" といった（とりわけ派手でオーバーな表現の）タグをプロンプトに使うと、できばえとして AI っぽくなるという。これは、実際に MOSS-Image のような最新のモデルを使っている僕の実感でもある。この「AI っぽい画像」の特徴として、昔は（とは言っても３年ほど前だが）指が６本あるとか、ひらがなの形が反転しているといったものだった。しかし、指の本数や形状は改善されているし文字の生成も正確になってきている。よって、いまでは過剰な光の当たり方や過度に描き込みが多いディテールといった、描画スタイルやセンスの問題になってきている。

そして、著者の考える将来の姿として、エージェントがプロンプトを作るということを考えているらしい。そして、モデルで画像生成し、エージェントが画像を評価して改善案を作り、再生成するという反復によって成果物としてのクォリティを上げていくということだ。ただし、エージェントは品質のチェックはできても、スタイルの選択や KPI にもとづく総合的な判断は不得意なので、やはりそこは人がやるべきだという。