モデル(AI)

AIモデルとは、パターンと関係を学習するために大量のデータで訓練された計算システムであり、新しい入力に応じて出力を生み出すためにそれを適用できるものです。あらゆるAI生成ツールの背後にある中核技術であり、プロンプトを画像、動画、テキストなどの出力へと変換する訓練済みエンジンです。

AIモデルは学習プロセスを通じて学びます。正解出力が分かっている膨大な量の事例にさらされ、内部パラメータ(数十億個の数値)が誤差を最小化するよう反復的に調整されます。学習後、パラメータは固定され、モデルは推論時に学習した表現を新しい入力に適用します。

モデルは基盤となる訓練済みシステム、すなわちエンジンです。AIツールやプラットフォームは、ひとつ以上のモデルの上に構築されたインターフェースと製品です。Midjourneyはプラットフォームであり、それが使うモデルが実際に画像を生成します。多くのプラットフォームは複数のモデルバージョンやオプションを提供し、それぞれが異なる能力と美学を持つ異なる訓練済みシステムを表しています。

モデルは、アーキテクチャ、学習データ、学習目標、ファインチューニングが異なるため、異なる結果を生み出します。主に写真画像で学習されたモデルは、イラストや特定の芸術スタイルで学習されたモデルとは異なる出力を生み出します。フォトリアリズム向けに最適化されたモデルは、まったく同じプロンプトでも、様式化向けに最適化されたモデルとは異なる結果を生み出します。

新しいモデルバージョンは、異なるパラメータを持つ再学習またはファインチューニングされたシステムを表します。一般により多くのデータで学習され、アーキテクチャの改善が加えられ、特定の能力向上に最適化されています。新バージョンは通常、主要なベンチマークでより良い結果を生み出しますが、以前のバージョンと比べて異なる様式的傾向や振る舞いを持つこともあります。ユーザーはモデルバージョンを切り替える際にプロンプティング戦略を調整する必要がしばしばあります。

基盤モデルとは、広範で多様なデータセットで(しばしば膨大な計算コストをかけて)学習された大規模なAIモデルであり、幅広い下流アプリケーションの基礎として機能します。直接使うことも、特定のタスクや領域向けにファインチューニングすることもできます。GPT-4、Stable Diffusion、CLIPは基盤モデルの例です。ほとんどのコンシューマー向けAIツールは、基盤モデルの上に構築されているか、そこから派生しています。

まずモダリティ(画像、動画、テキスト、音声)で選び、次に目標に合った美学と能力で選びます。必要とする特定のビジュアルスタイル、品質レベル、タスクタイプで知られるモデルを調べましょう。同じプロンプトで複数のモデルを試し、それぞれの異なる傾向を観察します。各モデルが何に最適化されているかについてプラットフォームのドキュメントを読みます。時間をかけて特定のモデルの特徴的な出力に慣れることで、モデル選択はワークフローの直感的で迅速な一部になります。

モデルのサイズ(通常はパラメータ数で測られる)は一般に能力と相関しますが、その関係は線形でも単純でもありません。より大きなモデルはより多くの表現容量を持ち、より整合性が高く詳細で有能な出力を生み出す傾向があります。しかし、高度にキュレーションされた領域特化データで学習された小さなモデルが、その領域内の特定タスクではより大きな汎用モデルを上回ることもあります。アーキテクチャの革新も、同じサイズで能力を高めうります。能力は量だけでなく学習データの品質にも大きく依存します。