AIの「知覚」を問い直す：人間の視点から生成AIの評価を再考する
今日、私たちは人工知能（AI）が急速な進化を遂げる時代を生きています。特に「生成AI」と呼ばれる技術は、テキスト、画像、音声、動画といった様々なメディアコンテンツを驚くべき速度と品質で生み出し、私たちの創造性やビジネスのあり方を根底から変えようとしています。しかし、その目覚ましい進歩の裏で、私たちは一つの根本的な問いに直面しています。「AIの『知覚』は、人間のそれと同じなのだろうか？」
先日のAI Engineer World's FairでのKrea共同創設者、ディエゴ・ロドリゲス氏による講演は、この問いに深く切り込むものでした。彼のプレゼンテーションは、生成AIの評価がいかに複雑で、単なる技術的指標だけでは測りきれない人間的な側面が深く関わっているかを鮮やかに示しました。本記事では、ロドリゲス氏の洞察に基づき、生成AIの現状、その評価における課題、そして未来に向けた新たな知覚評価のあり方について、専門的ながらも分かりやすく深掘りしていきます。
AIの「不自然さ」の壁：生成AIがまだ見えていないもの
ロドリゲス氏は、AIが生成した「手」の不自然な画像を例に、AIの知覚が抱える根本的な課題を浮き彫りにしました。皆さんもSNSなどで、指の数が多かったり、関節の向きがおかしかったりするAI生成画像を目にしたことがあるかもしれません。人間はこのような画像を見たとき、直感的に「おかしい」と感じ、その不自然さを見抜きます。
しかし、ロドリゲス氏がGPT-3（当時の最先端のマルチモーダルAIの一つ）にこの画像を見せ、「この画像についてどう思うか」と尋ねたところ、GPT-3は「自然に見える」と誤って回答しました。さらに「何か問題があるか？」と具体的に問いかけると、GPT-3は59秒という長い思考時間の後、「解剖学と比率」に問題があることを認識し、「中心の大きな手はほとんど自然に見えるが、小指と薬指の長さがほぼ同じで太く、指の関節の位置が少しずれている」と具体的に指摘しました。
このエピソードは、AIの知覚が人間の直感とは異なるレベルで機能していることを示唆しています。人間が経験と学習によって培った「美しさ」や「自然さ」の感覚は、単なるピクセル情報の分析を超えた、より高次元の認知プロセスに基づいています。AIモデルは膨大な人間生成データに基づいて学習していますが、そのデータ自体が持つ限界や、人間が持つ本能的な知覚、さらには美的判断の複雑さを完全に捉えきれていない可能性があります。ロドリゲス氏が指摘するように、「AIモデルは人間の好みや美学を考慮に入れて学習されるべき」という点が、今後の生成AI開発において極めて重要になってくるでしょう。
人間の知覚を「ハック」する：圧縮技術の巧妙な秘密
AIの知覚評価について考える上で、ロドリゲス氏は情報圧縮技術の歴史にまで遡り、人間の知覚の特性がどのように技術に利用されてきたかを説明しました。
情報理論の父として知られるクロード・シャノンは、通信システムにおける情報の流れを数学的にモデル化しました。彼の研究は、デジタル回路、通信プロトコル、さらには現代のラージ言語モデル（LLM）の基盤となっています。シャノンは常に「コミュニケーション」に焦点を当てており、情報源から送信機、信号、受信機を経て宛先にメッセージが伝達される過程で、ノイズがいかに情報の完全性を損なうかを分析しました。
この情報と通信のコンテキストにおいて、「圧縮」という概念が深く関わってきます。ロドリゲス氏が挙げたJPEG、MP3、MP4といった広く普及しているファイル形式は、すべて「非可逆圧縮」という技術を用いています。これは、人間が知覚できない、あるいは知覚しにくい情報を削除することで、ファイルサイズを劇的に削減しながらも、見た目や聴き心地の品質を維持するというものです。
例えば、JPEGが画像を圧縮する際には、人間の視覚システムが持つ特性を利用します。人間は、画像の明るさ（輝度）の変化には非常に敏感ですが、色の変化（色差）には比較的鈍感です。ロドリゲス氏は、この原理をチェッカーシャドウ錯視の例で説明しました。AとBのマス目は実際には同じ色合いであるにもかかわらず、周りの光と影の状況によって、私たちは異なる色として認識してしまいます。これは、人間の脳が周囲の文脈から色を「補正」して認識しているためです。
JPEGは、RGBカラースペースを輝度成分と二つの色差成分（クロマブルー、クロマレッド）に分離し、色差成分の情報を「ダウンサンプリング」することで大幅に削減します。ロドリゲス氏が示したバラの画像のように、元の画像と色差成分をダウンサンプリングした画像を並べても、ほとんどの人はその違いに気づきません。このようにして、JPEGは画像のファイルサイズを50%以上削減できるのです。
同様の原理は音声圧縮のMP3や動画圧縮のMP4にも適用されています。MP3は、人間の聴覚が特定の周波数の音を他の強い音によって「マスキング」されて聴き取れないことを利用し、聴こえない音のデータを削除します。MP4は、時間軸方向でのフレーム間の変化の少なさ（動画の連続性）を利用して、冗長な情報を効率的に取り除きます。
これらの技術は、人間の知覚の限界を理解し、それを巧妙に「利用」することで、限られたリソース（帯域幅、ストレージ）で高品質なメディア体験を提供してきました。この歴史から学べるのは、私たちの知覚がいかに「絶対的」ではなく、文脈や生理学的特性に依存しているかということです。
AI時代の知覚評価：客観的指標と芸術的意図の狭間
しかし、この人間の知覚に基づいた圧縮技術の成功が、現在のAIの評価に新たな課題を投げかけています。
ロドリゲス氏は、AIモデルが学習するデータ、特にインターネットから収集される大量の画像や動画が、JPEGなどの圧縮形式で提供されている点に注目しました。つまり、AIはすでに人間の知覚の限界を前提として「情報が欠落した」データから学習していることになります。これは、AIが人間の「欠点」や「見過ごす特性」をも模倣してしまう可能性があることを意味します。
生成AIの性能を評価するために用いられるFID（Fréchet Inception Distance）スコアのような客観的な指標も、この問題と無縁ではありません。ロドリゲス氏が示した画像では、人間の目にはほとんど違いが見られないJPEG圧縮の画像が、FIDスコア上では「非常に悪い」と評価されていました。これは、FIDスコアがピクセルレベルの差異に敏感であるのに対し、人間の知覚はより全体的・文脈的な判断を下すため、両者の評価が乖離するケースがあることを示しています。
現代の学術界では、拡散モデルなどの評価において、CLIP（Contrastive Language–Image Pre-training）を用いたプロンプトへの忠実度、画像内のオブジェクト数、色の属性（例：「猫は何匹いるか？」「猫は青いか？」）、空間的推論（例：「猫は机の右にいるか？」）など、「測定しやすい」ものに焦点が当てられがちです。これらはAIの基本的な理解度を測る上では重要ですが、ロドリゲス氏は、より深いレベルでの「知覚」や「意味」を捉えることの難しさを指摘しました。
そこでロドリゲス氏は、サルバドール・ダリの有名な絵画「記憶の固執」（溶ける時計の絵）を提示し、生成AIの評価における芸術作品の役割について考察しました。もしAIがこの絵画を「時計の形が歪んでいる」「空が不自然」といった理由で「悪い生成物」と評価したら、それは本質を見誤っていることになります。ダリの絵画には、単なるリアリズムを超えた「時間」や「無意識」といった深い意味が込められており、意図的な不自然さや比喩表現を通じて、見る人間に強い感情や思考を喚起します。AIがこのような芸術作品の「意図」や「美学」を理解し、評価することは、現在の技術では非常に困難です。
AIが「言語の壁」を越える未来、そしてKreaの挑戦
ロドリゲス氏はさらに、AIがもたらす新しいコミュニケーションの可能性について、「バベルの塔」の神話を引用して語りました。神話では、人間が天に届く塔を築こうとしたため、神が彼らの言語を混乱させ、互いに理解できなくすることで建設を阻止しました。しかし、現代のAI、特にラージ言語モデルは、この「言語の壁」を乗り越える可能性を秘めています。AIが異なる言語を翻訳し、人々が互いにコミュニケーションできるようになることで、かつては不可能だった協業や理解が生まれるかもしれません。
Kreaでは、この「コミュニケーションの障壁の打破」に積極的に取り組んでいます。ロドリゲス氏は、自身がKreaのカスタマーサポートをマニュアルで行う際、日本語をほとんど話せないにもかかわらず、AIの助けを借りて日本のユーザーと効果的にコミュニケーションを取っているという具体的な事例を挙げました。これにより、彼は本来不可能だった高品質な顧客体験を、言語の壁を越えて提供できています。これはAIが単なるツールではなく、異文化間の架け橋となり、人間の活動範囲を広げる可能性を示唆しています。
Kreaは、美的研究、ハイパーパーソナライゼーション、そしてマルチメディア（画像、動画、音声、3D）におけるリアルタイムAIモデルのスケーリングに焦点を当てています。彼らはナイキ、ピクサー、マイクロソフト、サムスン、Perplexity、コールドプレイ、レゴ、フォスター＋パートナーズ、BOSS、ルルレモンといった世界的な企業と提携しており、その技術がファッション、エンターテイメント、デザインなど多岐にわたる分野で革新をもたらしています。Kreaのチームは、わずか8名から始まり、現在は12名と少数精鋭ながら、2500万人以上のユーザーと8300万ドル以上の資金調達を達成している点も特筆すべきでしょう。
ロドリゲス氏のメッセージは、「私たちの評価を評価し、私の意見を考慮し、私が視覚学習者であることを考慮しよう」というものでした。これは、AIの評価が技術的な指標だけでなく、人間の感覚、感情、文化、そして「意見」を包括的に考慮する方向へと進化することの必要性を強く訴えるものです。AIが単に「測定しやすいもの」を正確にこなすだけでなく、人間の意図や主観的な美学を理解し、それに寄り添う能力を持つことが、真に価値ある生成AIの姿であると彼は示唆しています。
結論：真に「人間的」なAI知覚の追求へ
ディエゴ・ロドリゲス氏の講演は、生成AIが私たちの想像をはるかに超える能力を持つ一方で、その「知覚」と「評価」がまだ発展途上であることを明確にしました。人間の知覚の特性を理解し、それを技術に応用してきた歴史があるように、AIの知覚もまた、人間の複雑な認知プロセスを深く理解し、模倣することで、さらなる高みへと到達するでしょう。
AIは、単に事実を認識するだけでなく、人間の好み、美学、そして芸術的な意図を理解する能力を必要としています。そのためには、従来の客観的な評価指標に加えて、人間の主観的な意見や感性を反映する新たな評価フレームワークが不可欠です。AIが人間的な不自然さを認識し、美的判断を下せるようになることは、クリエイティブ産業だけでなく、ユーザー体験を根本的に変え、より人間中心のAIの実現につながります。
Kreaのようなスタートアップが、ハイパーパーソナライゼーションや美的研究を通じて、このフロンティアを切り開いていることは希望に満ちています。AIが単なる高性能なツールではなく、人間の創造性や感情に寄り添い、共に新しい価値を生み出すパートナーとなる未来は、私たちの知覚評価のあり方にかかっていると言えるでしょう。私たちは今、AIと共に、真に「人間的」な知覚とは何かを問い直し、その答えを技術と社会の中に築き上げていく歴史的な岐路に立っています。