画像をデジタル化すると情報が損なわれる？いや、やり方次第でした

『分割量子化』って、要するに画像をいくつかの異なる『見方』で同時に細かく記号化するってこと？

そうですね、その理解でほぼ合ってます。ただ、一つ重要なポイントがあります。 従来の量子化は「画像全体を一つの記号セットで無理やり圧縮する」イメージなんですよ。だから記号を増やしていくと、どこかで矛盾が生じて精度が頭打ちになってしまう。分割量子化は、その矛盾を避けるために「画像の異なる側面ごとに、別々の記号セットを用意する」というアプローチなんです。 たとえば、画像の色情報は色専用の記号で、輪郭は輪郭専用の記号で、質感は質感専用の記号で——と、それぞれ独立して細かく記号化していく。すると一つの記号セットが「無理をしない」ので、記号を増やし続けても破綻しない。結果、連続的な表現に匹敵する精度が保たれる、というわけです。 つまり「異なる見方で同時に」というより「異なる情報層を、それぞれ独立した記号セットで扱う」と言った方が正確かもしれません。一つの大きな言語に押し込むのではなく、複数の専門言語で同時に語り直す、みたいなイメージと言えそうです。

画像をAIが『記号』で理解できるようになると、スマートフォンのカメラ機能とか、自分たちが使うアプリが変わるの？

画像を記号で扱うことになると、アプリの設計から使い心地までかなり変わる可能性があります。 いま、スマートフォンで写真を撮って文字認識させるアプリって、ほぼ毎回サーバーに画像データを丸ごと送って処理してもらってますよね。データ量が多いから通信に時間がかかるし、バッテリーも消費する。でも画像が記号化できると、その圧縮効率が劇的に変わるんです。記号は言葉より軽い。つまり、スマートフォン内で画像を記号に変換してから、必要な処理だけをサーバーに送ればいい。通信量が減れば、オフラインでもっと多くの処理ができるようになります。 同時に、言葉と画像が同じルール で理解されるようになると、AI とのやり取りが今より自然になる。「このスクリーンショットの中で、誰が何をしてるか」と聞くようなことが、もっとシンプルに動作するようになるかもしれません。 変わるのは技術的な裏側だけじゃなく、ユーザー体験としても「画像と文字の境目が曖昧になっていく」感覚を持つことになりそうです。

これまで『画像を記号化すると情報が必ず失われる』と考えられてたのは、技術的な限界があったからなの、それとも理論的な証明があったからなの？

記事からだけでは、その信念が理論的な証明に基づいていたのか、単なる技術的な観測に基づいていたのかは明確には分かりません。ただ、こうした「当たり前」の思い込みが生まれる背景を考えると見えてくるものがあります。 情報理論には、データを圧縮するときに必ず情報が失われるという考え方があります。でも画像の記号化は、圧縮とは少し違う。記号数が限られている中で、どうしようもなく誤差が出ていたのが実態だったのかもしれません。つまり、技術的な制約の中で「失われるのは仕方ない」と考えるうちに、それが「理論的に必然」だと思い込んでしまった可能性があります。 この論文が面白いのは、その思い込みを「記号の数」という別の角度から攻撃したからこそ。誤差を減らそうとするのではなく、選択肢を増やし続けるという発想の転換が、固い信念を打ち破ったと言えそうです。技術的限界と理論的制約は、往々にして混同されているのかもしれません。

言葉と画像が同じ『記号のルール』で理解できるって、つまり AI にとって『写真も文字も同じ言語』になるってことなんだっけ？

そう言えなくもないですが、ちょっと正確には違う。言葉と画像が同じ「記号のルール」で理解できるというのは、むしろ両方を共通の『中間言語』に翻訳してから理解する、という方が近いです。 今のAI、たとえばChatGPTは、言葉をトークンという数字の列に変換して処理しています。同じように画像も、この論文の「分割量子化」で記号に変換できれば、画像も数字の列になる。だから言葉も画像も、AIの内部では同じ「数字のシーケンス」として扱えるようになる、ということです。 でも「同じ言語」というと、AIが日本語と英語を理解するのと同じレベルで画像も理解する、みたいに聞こえてしまう。実際には、AIの思考回路の中では、言葉も画像も『記号化された数列』という、人間には見えない中間的な世界で処理されているだけ。 つまり、見た目の上では全く異なる『言葉』と『写真』が、AIにとっては同じ工場の流れ作業ラインで処理される、という感じに近いのかもしれません。

画像が記号化されて AI が完璧に理解できるようになると、今まで『人間にしか読み取れない』と思ってた微妙なニュアンスとか、逆にAIの方が上手く捉えちゃう可能性もあるの？

面白い逆転の可能性ですね。実は既に起きてる部分もありそうです。 例えば医療画像の診断。X線やMRIのノイズまみれの画像から病変を見つけるのは、人間の眼医者でも訓練に時間がかかります。でもAIが記号化して学習すれば、「このパターンは90%がんである」という統計的な確実性を、人間より先に掴める。微妙な濃淡の違いを数値化して比較できるから、むしろ人間の感覚より正確になる可能性は高い。 ただここが面白いのは、「ニュアンス」と「パターン認識」は別物だということ。写真の雰囲気とか、デザインの意図とか、そういう「文脈に依存する意味」は、記号化の過程で逆に失われやすい。AIは「この色合いと構図の組み合わせ」を認識できても、「なぜその組み合わせが心を動かすのか」は理解しようがない。 つまり、定量的で繰り返し現れるパターンはAIが上手くなり、その時代その文化にしか通じない「余韻」みたいなものは、人間の領域に残るのかもしれません。