人工知能の進歩は、高度なテキスト画像生成システムの開発に活用されてきた。
すでに何百万人ものデジタルアーティストが利用しているこうしたAIテキスト画像生成ツールをめぐり、偽情報、有害なコンテンツ、著作権保護、バイアスへの懸念が生じている。
「適切なガバナンスと規制が必要です」と、世界経済フォーラムで人工知能を担当するリード・プラットフォーム・キュレーターは述べた。
利用可能な人工知能（AI）テキスト画像生成ツールの数は急速に増え、一般の人々がデジタル画像を作成するための新たなツールが次々と登場している。
先月、AI開発企業のOpenAIはウェイトリストを撤廃した。同社が開発したAI画像生成ツールDALL·Eを利用するためのものだ。DALL·Eは、スペインの芸術家サルバドール・ダリとディズニー／ピクサーのアニメーション映画『WALL-E』にちなんで名付けられ、ユーザーがシステムに入力したテキストの説明から画像を生成する。
たとえば、OpenAIの最高経営責任者（CEO）サム・アルトマンのTwitterアカウントで紹介されたように、ユーザーはDALL·Eに次のような画像を作るよう指示できる。「芝生の上で開かれるゾウのお茶会」や「悟りを求めてヒマラヤで瞑想する賢い猫。」
DALL·Eは4月、グラフィックデザイナーや作家、建築家など一部のユーザーに初公開された。6月には、DALL·Eの画像が表紙に採用されたことで話題になった。『コスモポリタン』によると、AIが生成した雑誌の表紙としては初めてのことだった。『コスモポリタン』。
「生成にかかる時間は1回あたりわずか20秒ですが、何百回も試しました」と、表紙の制作に携わったデジタルアーティストのカレン・X・チェンは語った。『コスモポリタン』の表紙について、Instagramで説明した。「完璧な画像ができるまで、何時間も何時間もプロンプトを作成し、練り上げました。」
AIテキスト画像生成ツールの革新と懸念
DALL·Eは、GPT-3として知られるOpenAIのテキスト生成モデルを使って構築された。このシステムは更新と学習を経て、120億のパラメーターを用い、複雑なテキスト表現に対応する画像を生成するようになった。OpenAIによると、すでにDALL·Eのアクティブユーザーは150万人を超え、1日に200万枚以上の画像を作成している。
ここ数カ月で一般公開された、ほかの複数のAI画像生成ツールにDALL·Eが加わった。たとえば8月には、AI研究機関のStability.aiがStable Diffusionを公開した。これもAIテキスト画像生成ツールだ。Googleも、ImagenとPartiという2つのテキスト画像生成システムの開発に取り組んでいる。PartiはPathways Autoregressive Text-to-Imageの略称だ。
MidjourneyもAIテキスト画像生成ツールの一つで、人気のグループメッセージング・プラットフォームDiscordを通じて、ユーザーがプロンプトを入力できる。8月、Midjourneyで作成された画像が美術コンテストで優勝し、このシステムは広く注目を集めた。米国でのこの受賞をきっかけに、激しい議論が美術界で巻き起こり、創作のプロセスや何をもって芸術とするのかが問われた。
すでに、AIが生成した画像が何千点も一部のストックフォトサイトで販売・ダウンロード用に提供されている。一方、AI画像生成ツールの利用をめぐっては、著作権への懸念が広がっている。
9月、世界有数のビジュアルメディア・写真素材企業の一つであるGetty Imagesは、自社の各種プラットフォームでAI生成画像を受け付けないと発表した。同社は声明で、著作権上の責任と利用権に関する懸念からこの決定に至ったと説明した。
「AIを活用する可能性のあるものを含め、ツールを使って独自の構想やビジュアル作品を高め、当社の受け入れ方針に沿って制作するクリエイターを、今後も支援していきます」とGetty Imagesの声明は付け加えた。「社会的責任を果たし、個人の権利と知的財産権を尊重する形でAIを発展させたい方々と協力する用意があります。」
さらに懐疑的な人々は、AI画像生成ツールが有害なコンテンツの作成や偽情報の拡散、否定的なバイアスやステレオタイプの助長に使われる恐れがあると警鐘を鳴らしている。著名人や政治家など公人の画像生成を禁じるといった一定の安全策を設けたテキスト画像生成システムもあるが、この分野を規制する、より厳格なガバナンス体制を求める声が多く上がっている。
「AIが画像を生成したからといって、倫理原則に基づくガバナンスや、プライバシー法、児童保護法、著作権法などの国内法規制の遵守が不要になるわけではありません」と、世界経済フォーラムでAIと機械学習を担当するリード・プラットフォーム・キュレーターのユベール・アロペは述べた。
AI研究者たちは、テキスト画像生成システムの性能向上と、こうした懸念への対応に取り組んでいる。たとえばOpenAIはすでに、DALL·Eの第2世代となるDALL·E 2を発表した。これは、個人の顔など、個人に関する画像の不正利用をより適切に特定し、人種や性別が指定されていないテキスト入力に伴うバイアスに対処できるよう開発されたものだ。そうした入力には「CEO」「消防士」「医師」などがある。
「社内評価では、この手法を適用した後、DALL·Eの画像に多様な背景を持つ人々が含まれていると答えるユーザーの割合が12倍になりました」と、OpenAIは声明で述べた。
AIを活用したテキスト動画生成システムの開発も進んでいる。動画生成ツールはテキスト画像生成システムより開発の初期段階にあるものの、ここ数カ月でいくつかが発表された。
5月、中国の清華大学と北京人工知能研究院の研究者らは、AI動画生成ツールを発表した。その名称はCogVideoだ。
さらに最近では9月、Facebook、Instagram、WhatsAppの親会社であるMetaが、テキストプロンプトから短い動画を作成するAIシステム「Make-A-Video」を公開した。「これはかなり驚くべき進歩です」と、MetaのCEOマーク・ザッカーバーグはFacebookで述べた。
「動画の生成は写真よりはるかに難しい。各ピクセルを正しく生成するだけでなく、時間の経過とともにそれらがどう変化するかもシステムが予測しなければならないからです」と、ザッカーバーグは付け加えた。
Metaの発表からわずか数週間後、GoogleはImagen Videoを発表した。これも同様のAIテキスト動画生成システムだ。同社は研究論文で、Imagen Videoは「高精細な動画を生成できるだけでなく、高い制御性と世界に関する知識も備えており、多様な動画やさまざまな芸術様式のテキストアニメーションを生成する能力、さらには3Dオブジェクトを理解する能力も備えている」と述べた。
