AI絵師の「親の顔を足す」、数学的に初めて実現

「ノイズの流れを混ぜる」って、画像生成AIの中では具体的にはどんな操作をしてるの？

画像生成AIは、完全なランダムノイズから始まって、何百ステップもかけて少しずつ形を整えていくんですよね。その過程を「ノイズスケジュール」と呼ぶんですが、今回の手法はそこに2つの道筋を用意して、その間を行ったり来たりさせる操作をしているわけです。 具体的には、親Aが歩んだノイズの軌跡と、親Bが歩んだノイズの軌跡を比較して、「ステップ1では親Aを80%、親Bを20%」「ステップ2では60%と40%」というように、混合比を少しずつ変えていく。あくまで数学的な補間なので、画像そのものを混ぜるのではなく、生成の指針になるノイズの流れ自体を混ぜているイメージです。 面白いのは、混ぜるタイミングです。初期の混乱したノイズの段階で混ぜると、子画像は親たちと大きく異なる独自の特徴を持ちやすくなります。一方、後期の形がほぼ決まった段階で混ぜると、親の特徴をより強く引き継ぐ。つまり同じ混合操作でも、どこで施すかで結果がガラッと変わる。その融通性が、人間の好みに応じた調整を可能にしているのかもしれません。

イラストレーターや漫画家が使うAIツールって、この技術が入ると、自分のスタイルと別のAIの出力を融合させたキャラクターとか簡単に作れるようになるってこと？

そういう可能性は確かにあるんですけど、実際には「簡単」の意味が変わりそうな気がします。 いま多くのイラストレーターが使ってるツールは、プロンプト（テキスト指示）で「この雰囲気で」と指示する流れですよね。それに対して、この交配技術は「別のAIが作った画像」を親として選んで、その特徴を数学的に混ぜるやり方です。つまり、イメージを言葉で説明するのではなく、実物の画像を示して「この良さはこっちから、この感じはあっちから」と対話しながら調整できるようになる、ということです。 それ自体は確実に便利になります。でも同時に、選別の過程そのものが重要になる。どの親画像を選ぶか、どの段階で混ぜるか、何度も試行錯誤するという、むしろ人間の判断が前に出る作業になる可能性が高い。つまり「AIに任せたら勝手に完成」ではなく、「自分たちのセンスで何度も選別する」という手間が生まれるかもしれません。道具が進化しても、使い手のセンスの見せどころは減らないわけです。

これまでAI画像の『交配』が難しかったのは、生成AIが急速に発展する中でずっと課題だったの？それとも、最近になって誰かが『できたらいいな』と思い始めたばかりなの？

画像生成AIが実用的になったのはここ2〜3年の話なので、「ずっと課題だった」というより、むしろ最近になって初めて具体的な困難として浮上した問題なんだと思います。 Stable DiffusionやMidjourney、DALL-Eが世に出て、クリエイターやAI絵師たちが本気で使い始めたのは2022年以降。そこで初めて「複数のAIモデルの出力を組み合わせたい」「自分好みに調整したい」という実際の需要が見えてきた。需要があるからこそ、「なぜできないのか」という課題も初めて数学的に定義される必要性が生まれたわけです。 別の言い方をすれば、AIの発展が速すぎて、ユーザーの要望に理論が追いつき始めたばかりの段階。生物の交配は何千年も前から人間が実践してきましたが、AIの「交配」はまさに今、それを数学的に真似しようとしている。この研究はユーザーの「こんなことできたら」という呟きが、学問的な問題として認識されるようになった、その転換点を示しているのかもしれません。

つまりこれって『AIに人間の選別眼を組み込む』ってことになるのかな——生物進化でも人間が犬を品種改良してきたみたいに？

本質をぐっと掴んだ見方ですね。ただ、犬の品種改良との比較でいくと、むしろ逆側の話になると思うんです。 犬の品種改良は、人間が「こういう犬が欲しい」という理想を先に決めて、それに近い個体を選り分ける。つまり人間の美的基準が絶対。AIも似た感じだと思われてきたんですが、この手法だと違う側面が出てくる。 親の特徴を引き継ぎながら、「この段階でノイズを混ぜたらどんな表情が出るだろう」と試行錯誤する——これって、選別というより「対話」に近い。AIが示す多様な可能性の中から、予想外の良さを発見する経験に近いのかもしれません。 犬の品種改良は完成形を目指すゴール指向。でもこの交配手法は、親同士を混ぜるプロセス自体が、何が生まれるか分からない余白を残している。数学的な仕組みと人間の直感が、初めてフラットに共存できる領域が生まれた、そこが新しいのかもしれません。

このやり方で、より『望まれやすい』画像ばかり急速に進化していく可能性もあるけど、それって誰かの感性に偏った画像ばかり増えるリスクにはなってないの？

その懸念は今の画像生成AIの世界で、実は既に起きていることなんですよね。 AIが学習するデータセット自体が、欧米の審美基準や商業的に「ウケやすい」画像に偏っているという指摘は、この研究の有無とは関係なく存在しています。交配機能は、その偏りを加速させるというより、ユーザーの好みがダイレクトに反映される仕組みになるという点が微妙です。 人間が「望ましい」と判断する基準で選別していけば、使い手の感性で高速に進化する。これ自体は悪いわけではありませんが、その過程が透明化されるのが厄介。従来の画像生成AIは「よくわからないけど出てきた」という距離感がありました。でも選別進化なら「私たちはこういう画像を選んでる」という行為が可視化される。すると、集団で同じ方向を選んでいることに無頓着になりやすい。 逆に言えば、この仕組みを持つことで初めて「自分たちはどんな方向に進化させてるのか」を問い直せる余地が生まれたとも言えそうです。