モリカトロン株式会社運営「エンターテインメント×AI」の最新情報をお届けするサイトです。
- TAG LIST
- CG機械学習ディープラーニングCGへの扉安藤幸央GAN月刊エンタメAIニュースニューラルネットワーク河合律子NVIDIA強化学習三宅陽一郎OpenAI音楽FacebookQAスクウェア・エニックスモリカトロンAIラボインタビュー敵対的生成ネットワーク森川幸人ルールベースDeepMindキャラクターAIシナリオNFTGPT-3デバッグCEDEC2019StyleGANプロシージャル自動生成人工知能学会映画遺伝的アルゴリズムメタAI自然言語処理深層学習マイクロソフトビヘイビア・ツリー吉本幸記GoogleCEDEC2021CEDEC2020ゲームAISIGGRAPH不完全情報ゲームVRナビゲーションAI畳み込みニューラルネットワークAIと倫理アートグーグルディープフェイクGDC 2021大内孝子VFXメタバースGDC 2019マルチエージェントゲームプレイAIボードゲームNPCDALL-ECLIPロボットCNNデジタルツインモリカトロンUnityファッションHTN階層型タスクネットワークJSAI2020TensorFlowMicrosoftイベントレポートテストプレイAIアート水野勇太小説アニメーションガイスターStyleGAN2懐ゲーから辿るゲームAI技術史toioJSAI2021スポーツ研究シムピープル汎用人工知能GDC Summerバーチャルヒューマンブロックチェーン倫理AdobeアストロノーカNVIDIA Omniverseeスポーツ対話型エージェントAmazoneSportsBLUE PROTOCOLシーマンUbisoftAlphaZeroTransformerGPT-2カメラ環世界中島秀之鴫原盛之ソニーDARPAドローンシムシティAI美空ひばり手塚治虫Electronic ArtsメタデータLEFT 4 DEAD通しプレイOpenAI Five本間翔太CMピクサーBERTプラチナエッグイーサリアム作曲ビッグデータ中嶋謙互Amadeus CodeMicrosoft AzureキャリアナラティブOmniverse ReplicatorレコメンドシステムNVIDIA DRIVE SimNVIDIA Isaac Simサイバーエージェント音声認識ロボティクスPyTorchDQN眞鍋和子バンダイナムコスタジオMinecraft齊藤陽介マインクラフトお知らせチャットボットアバターサルでもわかる人工知能VAEOmniverseUbisoft La Forge自動運転車ワークショップGenvid Technologiesメタ知識表現ウォッチドッグス レギオンIGDAどうぶつしょうぎEpic Gamesジェイ・コウガミ音楽ストリーミングマシンラーニング画像生成テキスト画像生成クラウド対話エンジン斎藤由多加リトル・コンピュータ・ピープルコンピューティショナル・フォトグラフィーゴブレット・ゴブラーズ絵画AIりんなシミュレーション完全情報ゲーム坂本洋典釜屋憲彦ウェイポイントパス検索藤澤仁生物学GTC 2022画像認識GTC2022StyleCLIPDeNA長谷洋平masumi toyota宮路洋一OpenSeaGDC 2022教育TextWorldSIGGRAPH ASIADALL-E2GTC2021CycleGANNetHackフェイクニュースエージェントAIボイスアクターNVIDIA CanvasGPUALifeZork人工生命オルタナティヴ・マシンサウンドスケープMCS-AI動的連携モデルASBSマンガモーションキャプチャーぱいどんTEZUKA2020ナビゲーションメッシュ松井俊浩バンダイナムコ研究所スパーシャルAIELYZAELYZA DIGEST3D音声合成マーケティングApex LegendsELIZANinjaコンピュータRPGアップルタウン物語KELDICメロディ言語ゲームTENTUPLAYMARVEL Future FightAstroタイムラプスEgo4Dインタビューバスキア日経イノベーション・ラボ敵対的強化学習階層型強化学習GOSU Data LabWANNGOSU Voice Assistant竹内将SenpAI.GGMobalytics馬淵浩希Cygames岡島学AWS Sagemaker映像セリア・ホデント形態素解析UXAWS Lambda誤字検出認知科学ゲームデザインSentencePieceLUMINOUS ENGINELuminous Productionsパターン・ランゲージ竹村也哉ちょまどボエダ・ゴティエGOAPAdobe MAX 2021模倣学習Omniverse AvatarFPSNVIDIA Rivaマルコフ決定過程NVIDIA MegatronNVIDIA Merlinスタンフォード大学NVIDIA Metropolisパラメータ設計テニスバランス調整協調フィルタリング人狼知能テキサス大学軍事AlphaDogfight TrialsAI Messenger VoicebotエージェントシミュレーションOpenAI CodexStarCraft IIHyperStyleFuture of Life InstituteRendering with StyleIntelDisneyLAIKADisneyリサーチRotomationGauGANGauGAN2ドラゴンクエストライバルズ画像言語表現モデル不確定ゲームSIGGRAPH ASIA 2021Dota 2モンテカルロ木探索ディズニーリサーチMitsuba2ソーシャルゲームEmbeddingワイツマン科学研究所GTC2020CG衣装NVIDIA MAXINEVRファッション淡路滋ビデオ会議ArtflowグリムノーツEponymゴティエ・ボエダ音声クローニングGautier Boeda階層的クラスタリングGopheraibo合成音声JuliusSIE鑑定TPRGOxia Palusバーチャル・ヒューマン・エージェントtoio SDK for UnityArt Recognitionクーガー田中章愛Meta石井敦銭起揚NHC 2021茂谷保伯池田利夫GDMC新刊案内マーベル・シネマティック・ユニバース成沢理恵MITメディアラボMCU著作権アベンジャーズマジック・リープDigital DomainMagic Leap OneMagendaMasquerade2.0ノンファンジブルトークンDDSPフェイシャルキャプチャーサッカーモリカトロン開発者インタビュー里井大輝Kaggle宮本茂則バスケットボール山田暉Assassin’s Creed OriginsAI会話ジェネレーターSea of ThievesGEMS COMPANYmonoAI technologyLSTMモリカトロンAIソリューション初音ミクOculusコード生成AI転移学習テストAlphaCodeBaldur's Gate 3CodeforcesCandy Crush Saga自己増強型AISIGGRAPH ASIA 2020COLMAPADOPデバッギングBigGANGANverse3DMaterialGANリップシンキングRNNグランツーリスモSPORTReBeLグランツーリスモ・ソフィーGTソフィーVolvoFIAグランツーリスモチャンピオンシップRival PrakDGX A100VTuberユービーアイソフトWebcam VTuber星新一賞北尾まどかHALO市場分析将棋メタルギアソリッドVフォートナイトFSMRobloxナップサック問題Live Nation汎用言語モデルWeb3.0AIOpsSpotifyMITスマートコントラクトReplica StudioAWSamuseChitrakarQosmo巡回セールスマン問題徳井直生ジョルダン曲線メディア5GMuZero政治クラウドゲーミングRival Peakがんばれ森川君2号和田洋一リアリティ番組Stadiaジョンソン裕子MILEsNightCafeインタラクティブ・ストリーミングLuis Ruizインタラクティブ・メディアポケモンCodexシーマン人工知能研究所東京工業大学Ludo博報堂ラップSIGGRAPH 2019ArtEmisZ世代AIラッパーシステムARrinnaGROVERプラスリンクス ～キミと繋がる想い～FAIRSTCチート検出Style Transfer ConversationオンラインカジノRCPアップルRealFlowRinna Character PlatformiPhoneデジタルヒューマンDeep FluidsSoul MachinesMeInGameAmeliaAIGraphブレイン・コンピュータ・インタフェースバーチャルキャラクターBCIGateboxLearning from VideoANIMAK予期知能逢妻ヒカリセコムユクスキュルバーチャル警備システムカント損保ジャパン哲学対談上原利之ドラゴンクエストエージェントアーキテクチャアッパーグラウンドPAIROCTOPATH TRAVELER西木康智OCTOPATH TRAVELER 大陸の覇者Siemensアルスエレクトロニカ2019品質保証StyleRigAutodesk逆転オセロニアBentley Systemsワールドシミュレーター奥村エルネスト純いただきストリートH100齋藤精一大森田不可止COBOL高橋智隆DGX H100ロボユニザナックDGX SuperPOD泉幸典仁井谷正充クラウドコンピューティングロボコレ2019Instant NeRFartonomousbitGANsぎゅわんぶらあ自己中心派Azure Machine Learning意思決定モデル脱出ゲームHybrid Reward Architectureコミュニティ管理ウロチョロスSuper PhoenixSNS理化学研究所Project Malmoオンラインゲーム気候変動Project PaidiaEarth-2Project Lookoutマックス・プランク気象研究所Watch Forビョルン・スティーブンスBing気象モデルLEFT ALIVE気象シミュレーション長谷川誠ジミ・ヘンドリックス環境問題Baby Xカート・コバーンエコロジーロバート・ダウニー・Jr.エイミー・ワインハウスSDGsMagentaYouTubeダフト・パンクメモリスタSFGlenn MarshallELYZA PencilThe Age of A.I.Story2Hallucination音声変換レコメンデーションJukebox松尾豊Veap JapanEAPテンセントSIFT福井千春DCGAN医療MOBADANNCEメンタルケア人事ハーバード大学Edgar Handy研修デューク大学Netflixデータマイニングmynet.aiローグライクゲーム東京大学東京理科大学人工音声NeurIPS 2021産業技術総合研究所はこだて未来大学リザバーコンピューティングプレイ動画ヒップホップキャラクターモーション詩ソニーマーケティングサイレント映画もじぱNBA環境音暗号通貨現代アートFUZZLEAlteration粒子群最適化法RPG進化差分法オープンワールド群知能下川大樹AIFAウィル・ライト高津芳希P2E大石真史SIGGRAPH 2022BEiTStyleGAN-NADAレベルデザインDETRゲームエンジンSporeUnreal Engineデノイズ南カリフォルニア大学Unity for Industry画像処理SentropyCPUDiscordCALMプログラミングソースコード生成GMAIシチズンデベロッパーTRPGGitHubウィザードリィMCN-AI連携モデルAI Dungeon西川善司並木幸介サムライスピリッツ森寅嘉ゼビウスSIGGRAPH 2021ストリートファイター半導体Topaz Video Enhance AI栗原聡DLSS山野辺一記NetEase大里飛鳥DynamixyzU-Net13フェイズ構造アドベンチャーゲームADVXLandAGI手塚眞DEATH STRANDING不気味の谷Eric JohnsonOculus Questコジマプロダクション生体情報デシマエンジンインディーゲーム写真高橋ミレイ照明Maxim PeterJoshua Romoffハイパースケープ山崎陽斗深層強化学習立木創太ミライ小町テスラGameGANパックマンTesla BotTesla AI Dayソサエティ5.0SIGGRAPH 2020バズグラフニュースタンテキ東芝DIB-R倉田宜典韻律射影広告韻律転移
CGへの扉 Vol.22：言葉から画像を生成、DALL-Eはクリエイティブなのか？
2021.1.14アート
OpenAIから、言葉から画像を生成するDALL-Eが登場
汎用人工知能の実現を目指して研究を進める団体OpenAIが、2021年1月5日に文章から画像を生成するDALL-Eと、言葉と画像を関係づけるCLIPを発表しました（もともとOpenAIは、非営利団体でしたが、2019年3月より利益に上限のある営利団体に変わっています）。
OpenAIは、TESLAやSpaceXの創業者として知られるイーロン・マスク氏やMicrosoftが支援している汎用人工知能の研究機関で、OpenAIのチーフサイエンティストを務めるIlya Sutskever氏が、今回の研究を牽引しています。DALL-Eはテレビのクイズ番組や、伝言ゲーム等でよくある、言葉だけで説明した図柄を正確に画像で表現するというものです。
Webページや雑誌に画像や写真が掲載されている場合、その画像についての適切で短い文章の説明として「キャプション」が書かれていることがあります。一般的にキャプションはその原稿の執筆者や編集者が考えて書いていますが、DALL-Eでは逆に、いわゆるそのキャプションの文章から、適切な画像を生成するという汎用言語モデルです。
DALL-Eの名前は、シュルレアリスムと呼ばれるシュールで独特の雰囲気をもった絵画で知られるサルバドール・ダリの名前と、PIXARの長編アニメ映画に登場するゴミ集めロボットWALL-Eに由来しています。DALL-Eは大量のテキスト情報と画像情報の組み合わせ例を学習し、120億個のパラメータを持ったGPT-3の活用事例でもあります。
DALL-Eのベースとなっているのは、同じくOpenAIが開発している高精度なAI文章生成ツールGPT-3（Generative Pre-Training3）とVQ-VAE-2（Vector Quantised-Variational AutoEncoder：ベクトル量子化-変分オートエンコーダ）と呼ばれるノイズからシグナルを分離する仕組みです。
GPT-3は、1,750億のパラメータを備えた自然言語の文章生成言語モデルであり、文章の生成だけでなく、プログラムも生成できるとのことで話題になりました。ここでいうところの文章生成言語モデルは、文章の作られ方をモデル化したもので、大量の例文をもとに構築されています。
例えばある言語モデルで
「今日のランチは…」という言葉の次に、
「今日のランチは」→「ラーメン」「にしよう」
→「何を」「作ろうかな？」
→「抜きだな」
といったさまざまなパターンがモデル化されており、これらを活用して巷によくある文章を生成することができるのです。実際、簡単なお題からGPT-3で生成した文章をAmazon Mechanical Turkで一般の人に確認してもらったところ、人間が書いたものではないとバレたのは52%とのことでした。これはコイントスでランダムに裏か表かを当てる割合に近いものです。
現在GPT-3はフェイクニュースなどでの悪用を避けるためAPIでのみの公開となっており、クローズドベータと呼ばれる一部のテスター、報道関係者のみに公開されている状態です。一般公開の予定、費用などは今のところ未定です。十数億円規模と試算されている、これだけの規模の事前学習を考えると、そう安くはないと考えられます。
以下に示すのがDALL-Eの活用例です。DALL-Eの紹介ページでは完全に自由な文章でサンプルを試すことはできませんが、いくつかのキーワードを変更して新しい画像生成を試すことが可能で、その結果には大変驚かされます。まるでGoogleで画像検索した結果のような、キーワードに合致した画像が並びます。それらが実は人工知能が生成した画像だとは信じられないかもしれません。
- 属性、質感の制御
- 複数のオブジェクトの描画
- 遠近感と立体感の可視化
- 内部構造と外部構造の可視化
- 文脈の詳細を類推する
ファッションやインテリアのための活用事例を探る
- 無関係な組み合わせを試す（例：カタツムリ型のハープ（楽器）の画像）
- 動物のイラストを描く
- 追加の学習なしで、指定した画像を描く
- 地理的条件や知識を生かす（例：中国風の料理の画像）
過去や未来の知識を生かす（例：古い電話機の画像）
DALL-Eに追従する研究者たち
OpenAIのDALL-Eの発表に刺激を受け、世界中の人工知能研究者がDALL-Eの実装を類推したり、サンプル実装を試してみたりしています。このようなスピード感や情報共有の気概が昨今の人工知能研究の勢いにもつながっているように感じられます。
ソースコード：人工知能活用の定番フレームワークPytorchによるサンプル実装「DALL-E in Pytorch」
ソースコード：GPTの代わりにTensorFlowを活用したDALL-Eサンプル実装「EleutherAI/DALLE-mtf」
DALL-Eと双璧をなすCLIPとは？
OpenAIがDALL-Eと同時に発表したCLIP（Contrastive Language-Image Pre-training）は、画像に写っているものが何であるのかをカテゴリ名を与えることで、個別の学習なし事前学習のみで、ある程度類推可能にする手法です。CLIPはネット上にある4億の画像とそのキャプションを集めて事前学習したもので、今までに見たことがないものを類推することのできる、いわゆる「ゼロショット学習」に対応しています。
一般公開されているCLIPのソースコード：https://github.com/openai/CLIP
OpenAI公式のCLIPの解説：https://openai.com/blog/clip/
人工知能とクリエイティビティの現状
よくある議論ですが、DALL-Eがここまで自由気ままにクオリティの高い画像を生成することができるようになった今、デザイナーや画家や写真家の仕事はなくなってしまうのでしょうか？ バリエーションを数多く素早く作るのであれば人工知能が有利かもしれません。けれどもどれが良いのかを最終的に判断するのは現在のところまだ人間です。
ただし今後GAN（敵対的ネットワーク）の考えと同じように、有識者の正しい選択を学習していけば、気分に左右されたり依怙贔屓（えこひいき）したりすることのない、ブレのない判断ができる人工知能活用の可能性も考えらせます。また、数多くあるバリエーションから良いものを判断する際にも、ある一人の天才デザイナーや天才プランナーの判断ではない、多くの人々による集合知の結果から導き出される判断も今後増えてくるかもしれません。
現在多くの話題を集めているGPT-3の成績が良いのは、世の中にすでに存在するデータ、つまり教科書すべてを暗記したからです。そこから考えると、ゼロから何か価値のあるものを生み出すのは苦手だということになります。従って、現在のDALL-Eに対する私たちの驚きは「成績が良い」ことに対する驚きであり、生み出された画像に感動を覚えたり、美しさや情緒を感じたりしているわけではありません。
ここで、画家サルバドール・ダリの言葉が思い出されます。
”Those who do not want to imitate anything, produce nothing.”
「何も真似ようとしない者は、何も生み出しはしない」
現在の人工知能研究が置かれている状況は、オリジナリティ云々、クリエイティビティ云々ではなく、まずは人間の真似をしながらスキルやセンスを磨いている、いわば研鑽や修行の段階なのだと見て取れるのです。OpenAIでは、DALL-EやCLIPの社会的影響を十分に考えており、ネット上のデータを活用したことによる情報の偏りや、意図しないバイアス、長期的な倫理的課題や著作権の課題などを十分に考えながら展開していくとのことです。
本連載の今後の予定：「CGへの扉」では、単なるAIの話題とは少し異なり、CG/VFX, アートの文脈から話題を切り取り紹介していきます。映像制作の現場におけるAI活用や、AIで価値が高まった先進的なツール、これからの可能性を感じさせるような話題、テクノロジーの話題にご期待ください。なにか取り上げて欲しいテーマやご希望などがございましたら、ぜひ編集部までお知らせください。
Vol.20：Adobeと人工知能の将来を見極める #AdobeMAX2020
Vol.19：コミュニケーションツールの新境地「NVIDIA MAXINE」
Vol.18：SIGGRAPH2020レポート 映像制作の現場で活躍する人工知能
Vol.17：描画を進化させるTensorFlow Graphicsの真価
Contributor：安藤幸央
RANKING
