- 生成画像AIは latent space、ノイズ除去、テキストと画像の接続によってもっともらしい結果を作れるが、望む特定の画像を正確に得るには構造的な限界がある
- Stable Diffusion は数百万枚の画像にノイズを加え、それを段階的に復元するよう学習することで、純粋なノイズから もっともらしい画像 を生み出す
- テキストプロンプトは単語空間から画像空間へ何度も変換される必要があり、一度に通常およそ 75語 しか扱えないため、細かな制御が難しい
- 単純なブログヘッダーやSEO向け記事のように、成果物がそれほど重要でない作業は生成AIがすぐに代替できるが、構図・ポーズ・スタイル・色のような精密な制約には イラストレーターの入力 が必要になる
- 商業イラストでは、人が線画・構図・核となるアイデアを決め、AIが色・照明・背景のような比較的重要でない細部を埋め、その後に再修正する 協業ワークフロー のほうが現実的である
Stable Diffusion を理解するための latent space
- 色、単語、画像はすべて数値のリストとして表現でき、よい表現方式では 似た対象ほど近い数値 を持つように構成される
- 色空間には RGB、Lch、CMYK のように複数の方式があり、それぞれ「似ている」を異なる形で定義する
- 数値は色そのものを保存したファイルというより、その色を指し示す ラベルであり指示 に近い
- 単語も数百個の数値で表現でき、「mom」と「dad」は近く、「mom」と「prestidigitation」はより遠くに配置されうる
- 画像は単語や色より複雑だが、数千個の数値で 画像空間 を作ることができる
- すべてのピクセルの RGB 値を並べると数百万個の数値が必要になる
- 黒い猫と白い猫のように意味的には似ている画像でも、ピクセル値だけを見ると非常に遠くなりうる
画像 latent space はキャプションから借りてくる
- 多くの画像にはキャプション、ラベル、周辺テキストがあり、画像とテキストの関係を通じて画像空間を作ることができる
- 「cat」とラベル付けされた写真同士は近く、「car」とラベル付けされた写真同士も近くに配置できる
- 「Miyizaki cat-bus」のようなラベルは、猫と車の間のどこかに置かれるかもしれない
- 生成AI研究では、このような空間は image latent space と呼ばれる
- latent space は、見たいほぼあらゆる画像だけでなく、ランダムで解釈不能な画像まで数値のリストとして近似できる
- この空間は、絵のための Library of Babel にたとえられる
Stable Diffusion の動作原理
- Stable Diffusion は画像生成の唯一の方法ではないが、広く使われている方式である
- 学習は、数百万枚の画像に少しノイズを加えた後、コンピュータがそれを きれいに復元 するよう訓練する形で進む
- その後さらに多くのノイズを加え、再びノイズの少ない画像へ戻すよう訓練する
- この過程を画像がほとんど消えるほどまで繰り返すと、コンピュータは段階的にどんな画像へでも戻る方法を学ぶ
- テキストと画像を結び付ける学習も同時に行われる
- 猫の写真は「my cute kitty mister french fry」のようなキャプションを持つ可能性が高い
- 「the engine from a 1959 Austin Healey」のようなキャプションを持つ可能性は低い
- Cross attention は複数のAIシステムをつなぎ、画像のノイズを減らしながら特定のテキストキャプションに近づくよう画像を押していく仕組みである
- 生成AIは、ノイズ除去の過程に別の目標を組み合わせることで、画像を特定の方向へ導く
なぜ指や顔が崩れるのか
- latent space は学習画像そのものをそのまま収めた空間ではなく、ありうるすべての画像 を表現する空間である
- ノイズから遠ざかる力は画像の鮮明さを優先し、テキストラベルの方向へ向かう力は、そのテキストでラベル付けされそうな画像を満たすことに集中する
- 画像キャプションは、人の手や指の本数の正確さをしばしば扱わない
- 「no deformed hands」のような否定ラベルは、「deformed hands」とラベル付けされた画像が少ないと効果が限られる
- 「polydactyly」は余分な指と強く結び付いたラベルなので、より有効かもしれない
- 顔でも同じ問題があり、多くの生成システムは顔を修正するための別コンポーネントを持っている
- 中核システムは、顔らしく見えれば十分だと判断するかもしれない
- 人間の目は、両目の向きのような顔の正確さに非常に敏感である
- James Gurney のような 作家名 をプロンプトに入れると、画像全体の一貫性が良くなることがある
- 一般的なキャプションは主に名詞と焦点対象に集中する
- 作家のスタイルは画像の一部分ではなく全ピクセルにまたがるゲシュタルトなので、より一貫した結果につながる可能性がある
生成AIが代替しやすい作業
- 実際の絵画、彫刻、木版画、刺繍のような 物理メディア への人間の欲求は消えない可能性が高い
- 物理メディアの成果物は生成AIの学習に今後も使われうる
- 許可なく作品が学習に使われ、生計を代替するために活用される状況は侵害的に感じられるかもしれない
- ただし latent space の中に画像が特定の形で入っているわけではなく、特定のプロンプトと運が重なったときに似た画像を回収できる程度である
- 人間のアーティストによるフェアユースを認めつつ、ML 用途だけを法的に制限する方法は明確ではない
- 生成AIは、内容そのものが実際には重要でないイラストや文章の一部を代替できる
- ページレイアウトを埋めるためのおおまかに関連したブログヘッダー画像
- SEO のためのスパム的な週次ブログ記事
- こうした成果物は、最終消費者に至るまで誰もあまり気にしない 家具のようなコンテンツ に近い
- その種の仕事はもともと報酬が高くなく、急速に消えつつあり、強い法的規制があっても逃げ道は見えにくい
特定の画像を得にくい理由
- 生成AIで印象的な画像を作るのは比較的簡単だが、特定の画像 を作るのはほとんど不可能なことがある
- 10枚に1枚くらいは「すごい」と感じられるかもしれないが、その画像が実際に求めた画像と一致していることを意味しない
- civitai のような生成画像ショーケースでは、非常に長いプロンプトと結果画像を比較できる
- そのサイトは NSFW の場合がある
- プロンプトの多くの要素が画像にまったく現れないことがある
- 「a mystical dragon」のような全体コンセプトがプロンプトでは目立っていても、画像には存在しないことがある
- この使い方は、絵を作る ガチャゲーム やスロットマシンに近い
- 面白いアイデアをたくさん含んだプロンプトを入れ、満足できる何かが出るまで繰り返す
- 結果は魅力的かもしれないが、求めた画像そのものではないかもしれない
- テキストは、実際のプロンプトからテキスト latent space へ、さらに画像 latent space の関数へと変換される必要があるため、画像制御の手段として使いにくい
- 一度に処理できるテキストも通常は約 75語 程度である
- それより長いと、cross attention で別のガイダンスシステムに分ける必要がある
画像入力はより強い制御手段
- 画像は画像 latent space へうまく翻訳されるため、テキストより直接的な 制約条件 になりうる
- 画像ベースのプロンプトは、生成結果の内容と構図を細かく制御できる
- 別の画像と同じ線画へ縮約される画像を作る
- 別の画像から抽出した深度マップと同じ画像を作る
- 別の画像から持ってきたポーズに合う画像を作る
- 内容は違っても、別の画像のスタイルに合う画像を作る
- 別の画像の遠近線に合わせる
- 別の画像のカラーパレットに合わせる
- 問題は、こうしたガイド画像をどこから得るのかという点である
- 望むイラストのコンセプトを理解し、それを線画、ポーズスケッチ、スタイルへ落とし込める役割は、従来の イラストレーター と重なる
- 精密な要件を持つ生成画像の仕事は、イラストレーターなしでは有用に使いにくい
商業イラストで考えられるAIワークフロー
- 商業イラストレーターは仕事を維持しつつ、より速い制作速度に対応するために AI をワークフローの一部として学ぶ必要が出てくる可能性が高い
- これは絵をやめて プロンプトエンジニア になるという意味ではない
- ありうるデジタルペインティングの工程は次のようなものだ
- 構図と核となるアイデアに集中して、従来の方法で線画を作る
- 生成AIに色と照明のアプローチを 12 個ほど提案させる
- その中から 1〜2 個を選ぶ
- AI が作ったピクセルの上をほぼ全面的に描き直しながら、色を意図に合わせて調整し修正する
- 色選びに大きなこだわりや感情を込める作家には、この方法が合わないかもしれない
- すべての作家に合う単一のやり方はなく、締め切りのある作家は、最も重要でなく最も退屈な工程を AI で埋められる
- 多くの画像にも、ページのヘッダー画像のように 必要だが重要ではない家具 があり、その領域が生成AIの担当になりつつある
製品と研究方向のギャップ
- 生成AI研究は、画像入力で画像生成を指示する方法をますます多く提供する方向へ進んでいる
- 市場に出ている製品は、イラストレーターのワークフローに簡単に組み込みにくい
- 実用的なレベルの制御を得るための実験は、個人用コンピュータで オープンデータモデル を動かす形で行われてきた
- 商業イラストの将来像は、イラストレーターが核を担い、生成AIが比較的重要でない部分を埋め、再び人が修正する形に近い
- 生成AI製品も、このようなワークフローを支援する方向へ進化する必要がある
1件のコメント
Hacker News のコメント
誰にも好かれなさそうな別の見方だが、AI がアーティストに与える影響は、Spotify が音楽業界に与えた影響と同じようなものになると思う。つまり、パブリッシャーや大物アーティスト／プレイヤーを除く全員の収益源を潰す可能性が高い
Spotify は物理流通から生まれていたお金を事実上消し去り、当時避けられなかった違法コピーよりも悪かった。少なくとも違法コピーの時代には、お金も受け取れないうえにレーベルと再交渉するための弁護士費用まで払う必要はなかった
Adobe や OpenAI のようなところは、アーティストに小銭を払ってモデル学習用の絵を描かせたうえで、「この AI アートからお金を得られなくても構わない」という権利放棄の誓約書に署名させ、成果物を Splice のようなところで高値で売り直そうとしているように見える: https://splice.com/features/sounds
結局、モデル自体はほとんど重要ではなく、誰の作品で学習したのかが本当の差別化要素になるはずだ。だが「この絵は AI が作ったものだから、あなたにお金を払う必要はない」となるのだろう
以前の機械は 1〜2 種類の職務を置き換える程度だったが、人間が AI の学習を本当に効率的にすれば、数百の職務を一度に置き換えることになる。さらに AI には、他の人間を必要とする度合いを減らし、孤立を深める効果もある
こうした理由から、世界は AI がないほうがずっと良く、テック企業は怪物のような製品で世界を壊しているのだと思う
Spotify は違法コピーの経済構造を取り込み、その上に合法に見える薄い外皮をかぶせた
第一に、AI 生成画像はランダムで、消耗品に近い。一度使えるかっこいい画像は得られるだろうが、その次は？ それでキャンペーンを組み立てるのは難しい
第二に、AI 生成アートは著作権保護を受けられないので、模倣する競合他社が AI で作ったマーケティング画像を自由に使ってもよいことになる
少なくとも、有償のグラフィックアーティストの作業を AI にシードとして入れることはできるし、シードベースの AI 画像なら著作権保護が可能だ。しかし、そのアーティストは無給インターンよりうまくやるはずだ
子どものころ、日曜の午後になると父がアルバムをかけて、ただ聴いていた。本当に聴くだけだった。今ではそうする人はごくまれだ
今は運転、読書、ネットサーフィン、コーディング、掃除をしながら聴く付随的な音楽への需要が大きい。音楽が持ち運べるようになったころから消費の仕方に根本的な変化が起き、Spotify はその競争に勝っただけだ
デジタル音楽の初期と比べると、物理メディア流通はむしろ増加傾向にあるという印象を受ける。これは Spotify のせいというより、音楽のデジタル化そのものに関係している
周囲では、実際に物理フォーマットで音楽を聴くというより、好きなアーティストを支援するためにグッズや媒体を買う人が多いように見える
こういう文章はたいてい、テキストから画像を生成することとプロンプトエンジニアリングを前提にしているが、たいていはそのモデルを実際に使った経験が足りないためにそうなる。遊びでやるのでなければ、そのやり方は本質的に正解ではない
予測可能性と制御が必要な作業は、「私が手で描いた別のフクロウと似たやり方で、残りのフクロウを描いてくれ」に近く、そこにフォトバッシングや手作業での修正／合成が組み合わさる。退屈でない成果物を作るには、3D CGI と同じように芸術的能力と技術的能力の両方が必要なハイブリッド領域だ
これはモデルの自然言語理解が不足しているために起きる問題ではなく、合理的に AGI と呼べるものが登場しても、おそらくその時も大きくは変わらないかもしれない。テキストプロンプトには意味を込める容量が十分にない
詳細なプロンプトと、望むスタイルの例を複数用意すれば十分に見える。もちろん非常に難しくないという意味ではないが、そのために根本的なイノベーションが必要だとは思えない。必要な構成要素はすでに存在している
AI を学校に連れていく、あるいは Matrix 式のデータアップロードで新しい概念を素早く習得させるのに似ている。専門家たちはその方法を学ぶようになり、市場もそういう仕事を望む人々を対象に形成されるだろう
最近「人間と向かい合って座り、Magic: The Gathering をしているロボット」を試したが、人間を絵に入れるところから難しく、モデルは MTG を十分に知らないため、「ボードゲーム」や「カードゲーム」程度にしかパターンマッチしない
生成された画像の中には他よりずっと良いものもあり、ある絵のテーブル配置と別の絵のロボットを持ってきたいのだが、現状では事実上不可能だ。「blend」もそういう用途には使えない
改善されることは疑っていないが、その下にもっと一般的な限界があるのか気になる。単にデータが足りないだけかもしれない。Google 画像検索で Magic: The Gathering を検索しても、かなり期待外れだ
もう一つの例として、石のモノリスに刻まれた光る青いロゴを依頼すると、たまにロゴが刻まれることはあるがまれで、青く光ることはなかった。たいていはモノリス全体または一部が青くなる
「商業イラストレーターは仕事を維持するだろうが、より速い作業ペースを保つには、おおむねワークフローの一部としてAIの使い方を学ぶ必要がある」という部分が特によかった。
ときどきイラストを描くが、自分のスタイルは生成AIが作るものとはかなり違う。最近、Midjourneyの画像を使ったゲームマニュアル1.1を出し、今はちゃんとしたイラストレーターに投資している。Midjourneyの画像は個性に欠けるからだ。
ただ、数か月後には変わっているかもしれない。画像の一貫性のためにイラストレーターとは引き続き仕事をするだろうが、AIのほうがより華やかな結果を出す可能性もある。
「2か月後には変わる」という指摘ももっともだが、その言葉は1年半前からずっと言われていて、まだ質的には変わっていない。生成画像の品質は上がったが、質的飛躍と呼べるほどではない。
付け加えると、civitaiのリンクが https://sambleckley.com/writing/civitai.com/images につながっているが、リンク切れだ。
リンク: https://youtu.be/FQ6z90MuURM?t=329
パートナーと一緒に小さなインターネット副業をいくつか運営している。そのうちコンテンツベースのD2C事業の一つは、ディスプレイ広告のクリエイティブでカスタムイラストに大きく依存していた。CTRは悪くなく平均的だったが、CPCが高すぎ、ROASは本当に悪かった。
数か月前、いつものイラストレーターとStable DiffusionをA/Bテストしたところ、結果はかなり劇的だった。CTRはほぼ20%上がり、CVRも継続的に改善した。
AI生成画像は、コンテンツが実際には重要でない事業で最も効く、という記事の主張には同意しない。この事業は優れた反例だった。私たちの場合、AI生成画像のほうがターゲット顧客により響き、以前より低コストではるかに細かなパーソナライズが可能になった。
CPAも大きく下がり、クリエイティブのバリエーションを細かく制御できるため、オーディエンスのセグメントに応じたリアルタイム最適化が可能になった。新キャンペーンのローンチ時間も半分になり、デザインのニュアンスに関するやり取り、締め切り遅延、創作上の行き詰まりもなくなった。
創作プロセスから人間的な手触りが減ることには複雑な感情があるが、純粋なグロースハックの観点ではゲームチェンジャーであり、それを示す数字もある。
全体としては純利益だと思う。人間のイラストレーターの終わりである必要はないが、顧客の要望により敏感に適応することを強いるだろう。コンテンツ事業でさえ、素材調達でこれほど大きな摩擦を抱えるのは筋が通らない。
いずれにせよ、効率もあり、魂もある。ロボットたちは前者をおおむねうまくこなし、時には後者でも驚かせてくる。
往復のやり取りが減った理由が、即時的・インタラクティブな応答、つまり人を相手にすることが減ったことにあるのか、それとも機械への信頼と委任によるものなのか気になる。
「機械が私の説明をもとにこのアイコンを作ったのだから、色の選択を疑う必要はない」ということなら、結局は機械を無謬で人間より専門的だと見なす古典的な問題だ。おそらく両方が混ざっているのだろう。
ある空間で家具がどれほど重要かは、短時間だけ滞在する待合スペースから建築家のオフィスまで幅があり、商業アートも同じだ。その画像が本当に無意味だったなら、そこに置く必要すらなかったはずだ。
非専門家がデザインした大半のPowerPointデッキに入る、情報を持たないグラフィックは重要度がさらに低いかもしれない。逆に、雑誌の特集記事の見開き2ページの冒頭画像は、AI生成画像に関する記事でもない限り、AIで作られる確率はほぼ0%だと思う。その場合でも、専門家たちが形を整えるのに他より長い時間をかけた可能性が高い。
プロのグラフィック作業フローでは、具体性とピクセル単位の制御があまりにも重要だ。プロのデザイナーではない人たちが何と言おうと、現在のツールはその作業に根本的に向いていない。インターフェース自体が間違っている。
Adobeや、業界が必要とするものを理解している他のプレイヤーが解決するかもしれないが、その姿はMidjourneyのようなものではないだろう。
「顧客の要望により敏感になる」ことと、顧客の心を読まなければならないことは違う。この特定の市場で、人間のイラストレーターにとって終わりの兆候ではないと思うなら、自分を欺いている。
AIに自分の文章を書かせてみたが、ひどいものだった。逆に、文法チェッカー、要約ツール、リライトツール、音声テキスト化アプリのようなAIツールを無視してみると、執筆プロセスが鈍重に感じられた。
自分には中間地点がいちばん合っている。生成AIは作業の中間段階でだけ使い、入力であるアイデアや出力である実際の草稿には使わない。
文章の書き方はこうだ。アイデアは熟考やソーシャルメディアでの会話から得る。そこで議論されているテーマは、少なくともある程度は関連性が検証されている。
その後、10分ほど座ってAudioPenのようなツールに考えを音声入力し、このツールが10分分の内容を5〜6段落に要約する。ここがAIの段階だ。ツールがいくつか段落構成を提案してくれたら、よいものが見つかるまで変えてみる。
その後は、そのアウトラインに沿って自分で草稿を書く。最後の文法チェック以外には、それ以上AIツールは使わない。AIは優れた執筆パートナーだが、ひどい書き手だ。
「商業イラストレーターは仕事を維持できるだろうが、より速い作業ペースを保つには、たいていワークフローの一部としてAIの使い方を学ぶ必要がある」という言葉は、まさに私が見てきた現実と同じです
AIメディア生成コミュニティの外では、いまだにテキストを入力して結果を受け取る程度だと思われています。実際には、望む正確な種類の画像を得るためにワークフロー全体を構成します
例えば: https://old.reddit.com/r/StableDiffusion/comments/14ye2eg/co...
2枚目の画像は出力結果ですが、1枚目のほうが興味深いです。Unreal Engineのようなゲーム開発ツールでよく見るものに似た、ノードベースのインターフェースです: https://docs.unrealengine.com/5.2/en-US/nodes-in-unreal-engi...
結果画像を得るためにAPI群をつなぎ合わせるのに近いです。今後の画像生成は、実際に絵を描くことよりもバックエンドプログラミングに近づいていくように思います。実際に描く部分は自動化され、創造性はワークフローそのものに置かれるからです
もちろん、いつかはワークフローの部分も自動化されるでしょうが、コンピューターがユーザーの意図を理解できるほど心を読めるわけではないので、まだ先の話です
この記事は現在に偏りすぎているように見えます。Stable Diffusion系は特定の手法で大きな成功を収めましたが、その方法が無限に改善されると考えるのは愚かです
生成「AI」はさまざまな形を取るでしょう。最終的には、創作における技法の要素のかなりの部分を取り除き、アーティストやコンテンツ所有者の収入と存在意義を奪う可能性が高いです
一夜にして起こることではありませんが、今後およそ10年ほどは、AIは脅威というより有益なツールに近いものだと思います
ある時点で、生成AIは視覚、音、触覚を含む多感覚システムになると予想しています。こうしたシステムは、対象や環境の物理モデルをもとに、豊かな説明と文化に対する深い文脈認識を使って、新しく正確な表現を作り出すでしょう
ピクセルではなくオブジェクトと関係で考え、それをシミュレーション・レンダリング・フィルタリングしてユーザーの欲求に合わせるはずです
作家や俳優たちが競争から自分たちを守ろうとする努力は応援しますが、結局はむなしいものになると思います。この領域の法的展開は興味深いものになるでしょう
将来の生成システムには、無断学習がなかったことを証明するために、世界についての理解をどのように得たのかを示す監査証跡が必要になるかもしれません。しかしこれはハードルを少し上げるだけで、クリーンルーム方式の高水準な説明のような別の手段で重要な関係を導き出すことを妨げるものではありません
例えば、Harrison Fordの著作物や公共の場所で撮影された画像でAIを学習させることは違法かもしれませんが、Harrison Fordを一連の特徴に要約して生成システムに渡せば、実際のHarrison Fordと区別できないものを作れます。この手順を文書化できるなら、法制度がそれを止める方法はあまり多くなさそうです。もちろん、この分野の専門家ではありません
ちなみに、現在の「AI」は好きではありません。LLMは特に信頼できず、概して役に立たないと感じてきました。AI生成アートも大半は退屈だったり不正確だったり、どこか説得力に欠けたりします。それでも流れはますます明確になっていると思います
「商業イラストレーターは仕事を維持できるだろうが、より速い作業ペースを保つには、たいていワークフローの一部としてAIの使い方を学ぶ必要がある」という見方が、なぜ不人気だと考えられているのか分かりません。今後の論理的な道筋のように見えます
CoPilotが私を置き換えるわけではありませんが、特定の定型文をずっと楽にし、関数を書こうとするときに生じる白紙のページや書き出しの詰まりを避けさせてくれるのと同じです
何もない状態から始めるより、何かを出発点にして、必要な形になるまで修正するほうがよいです。最終的に80〜99%を作り直すことになっても同じです
アーティストも、自分の線画がどのような姿になり得るかいくつか例を見ることで創造性が刺激され、その後は望むとおりに作業できるのでよさそうです
私が最も一緒に仕事をしたいイラストレーターは、使えるあらゆるツールを活用して、可能な限り最高の画像を作り出す人たちです
ほとんど同意しますが、特定の画像を作り出す部分には同意しません。それは明らかに開発できる技術です
画像生成AI向けのプロンプトを単純化し、適切な言葉を選ぶ方法を多くの人に教えてきました。不思議なことに、人々は不要な雑多なものを大量に入れがちで、おそらく「この文の断片が前回何度かうまくいった」というような迷信に近いものです
記事で述べられているように、複数のツールの連鎖の中でこれを道具として使うハイブリッドアプローチが今後の方向性です
AIがまったく理解できない概念もあります。たとえば現在のMidjourneyは「ブルドーザー」「ケンタウロス」「ファンタジーの弓兵」のようなものに極めて苦戦します。こうしたものは、より良い学習データを持つ新しいモデルバージョンで必然的に修正されるでしょうし、過去にもそうやって修正されてきました
本当に難しいのは、小さな細部や意味情報から来ます。たとえば背景まで含めてすべてにピントが合った写実的／写真のようなシーンを依頼するのは難しく、「focus stacking」のようなキーワードを使ってもうまくいきません。「selfie」が私たちが見つけた最良の単語でしたが、残念ながら副作用が大きいです
学習データにその属性を具体的に描写した例が十分にないのかもしれませんが、正直なところ、そうした概念を表す英単語を覚えること自体も難しいです
小さな細部については、現在のアプローチは「赤い三角形がそれぞれ付いた青い立方体6個がピラミッド状に並べられ、その上で黄色いボールがバランスを取っている」といった依頼を処理できるようには拡張されないでしょう。ただし筆者が言うように、こうしたものは個別に作ったアセットと最低限のPhotoshopスキルで処理される可能性が高いです
プロンプトの技術的問題を語りながら、その部分を完全に抜かしています
プロンプトの問題は積み上げられた立方体ではありません。ソフトウェアエンジニア10人、営業チーム10人、上級管理職3人に広告用のビジュアルアイデアを出してみろと言えば、黒い背景に置かれたゴミのような画像、ロボット、アニメ、どこかで見て無意識に覚えているものの粗悪な複製、そして実際に機能するビジュアルアイデア0個が出てきます
デザイナーやイラストレーターは、まともな製品を作るために、そうした陳腐さやひどいアイデアに常に対抗し、ひっくり返さなければなりません
GPTとコードについても、ほぼ同じように見ています。コードを書かない賢い人たちがGPTに依頼を投げて、動くものを得るケースは見たことがありますが、「タイマーでキーを自動的に押すものを書いて」から「クライアントがこのビジネスロジックと機能を処理するようにリポジトリを更新してほしい」へ行くのは、とてつもない飛躍です
私の見方では、依然として開発者的思考を持つ人が作業する必要があり、AIはその過程で生活を少し楽にしてくれるだけです
アート分野も同じだと思います。もっともらしい画像を得るのは簡単ですが、具体的で意味のある画像を得るには、たいてい一般の人にはできない多くの後処理が必要です
私たちはすでに飛躍的な進歩を見てきました。LLMベースのコーディングツールも良くなっており、LLM自体も良くなっていて、コンテキストサイズも大きくなっています。LLMへの関心は、より効果的な新しいアプローチの開発も刺激しています
数年もすれば、LeCunのJEPA系であれ、DeepMindが作っている何らかのハイブリッド・スーパーコーダーであれ、オープンソースLLMであれ、プログラミングにおいてGPT-4を圧倒するでしょう