画像生成

主要ニュース

1. 1

   Asicsが9月1日にAIクマ検知アプリを開始

   Asicsは9月1日からAI搭載のクマ検知アプリ（AI-App クマ検知）の提供を開始すると発表した。 このアプリは、クマとの遭遇が危険となる地域で活動する屋外ランナーやアスリートの安全懸念に対応する。スポーツシューズとアパレルで知られるAsicsが、ユーザー向けのAI駆動の安全ツールへ展開を広げている。

   アプリは9月1日に開始されるが、価格設定、地域ごとの利用可能性、対応プラットフォームについては明示されていない。

2. 2

   AI画像解析で書籍推薦システムを構築

   ソフトウェアエンジニアが「By-Its-Cover」という推薦システムを開発した。書籍の表紙画像とCLIP埋め込み（ビジュアルコンテンツを理解する機械学習モデル）を使用して本を提案するもので、セマンティック画像検索とニューラル協調フィルタリングモデルを組み合わせてパーソナライズされた推薦を実現している。 本プロジェクトは、テキスト、ジャンル、ユーザー履歴に頼らず表紙画像だけで正確な書籍発見と推薦が可能かを検証している。従来のメタデータよりも視覚的類似性に焦点を当てることで、書籍検索ツールを簡素化できる可能性がある。書籍の表紙画像だけから推薦する仕組みが実現可能とみられることで、国内の書籍販売企業が従来のメタデータに依存しない推薦システムの導入を検討する可能性がある。

   システムはby-its-cover.comで公開されており、ソースコードはGitHubで公開されているため、フィードバックとさらなる開発が可能だ。

3. 3

   DeepSeek、マルチモーダルモデルでAnthropicのOpus 4.8に並ぶ

   DeepSeekが4月にリリースしたV4 Flashアルゴリズムに基づくマルチモーダルモデル「V4 Flash Vision Exp」を公開した。新モデルはAnthropicの「Opus 4.8」を2つのビジュアルベンチマークで上回った。ALEはコード記述とメディア解釈が必要な1,000を超えるマルチステップタスクを含み、ZeroBenchはフロンティアLLMに設計された100の画像分析タスクを備えている。V4 Flash Vision Expは7つのテキストベースベンチマークのうち、ソフトウェア脆弱性検出を評価するCybergym以外すべてでV4 Flashを上回った。 マルチモーダルAIの競争構図を示すもので、エンタープライズはテキストと画像の両方を扱うモデルをますます必要としている。V4 Flash Vision Expが2つのビジュアルベンチマークで10%以上高いスコアを記録し、画像分析での強力なパフォーマンスは、確立された競合との差を埋めていることを示す。基盤となるV4 Flashは284 billionパラメータを持つ混合エキスパートアーキテクチャで、各プロンプトに最適なニューラルネットワークのみを活性化させ、モデル全体を活性化する場合と比べてハードウェア需要を削減する。日本の企業がテキストと画像両方を扱うAIモデルの導入を検討する際に、低いハードウェア需要で高い性能を実現するマルチモーダルの選択肢が広がる可能性がある。

   V4 Flash Vision Expは現在DeepSeekの有料デベロッパープラットフォーム経由でのみ利用可能だが、過去のモデルをオープンソース化した慣例に沿って、後に無料版がリリースされる可能性がある。DeepSeekはV4 Flash Vision Expのアーキテクチャ詳細を公開していない。V4 Flashは32 trillion tokensのデータで学習され、1 million-tokenプロンプト処理に必要な計算力を73%削減する圧縮技術（HCAおよびCSA）を使用している。

4. 4

   Alibaba、Qwen Image 3.0 Pro APIをリリース

   Alibabaが画像生成API「Qwen Image 3.0 Pro」をリリースした。自然言語のプロンプトから画像を生成するもので、クリエイティブ、商用、編集、製品ワークフローに対応する。柔軟なアスペクト比、シード値による再現性、複数のクリエイティブスタイル（フォトリアリスティック、編集向け、イラストレーティブ、製品、シネマティック）に対応している。 このAPIはGPT Image、FLUX、Midjourneyといった競合製品に対するオルタナティブとして位置づけられている。Qwen連携やAlibaba統合を軸とした画像生成チームの構築に向けたもの。Midjourneyのコミュニティ駆動型インターフェースと異なり、Qwen Image 3.0 Proはプロダクトやコンテンツパイプラインにおけるプログラマティック生成を必要とする開発者向けに設計されている。

   このAPIはFlaq AIを通じて無料で試用できる。Flaq AIは繰り返し利用可能な画像生成向けのアプリケーション対応インターフェースを提供している。画像品質と再現性はプロンプトの詳細さとシード値の選択に依存するため、公開前に生成物の視覚的正確性と適切性を確認すべき。

5. 5

   AI各社のモデル、創作出力がますます似通う

   新しい分析で、異なるAIモデルが創作コンテンツの生成を求められた際、ますます似た出力を生み出していることが判明した。プロバイダー間での結果の多様性が縮小している。 AIシステムがコモディティ化し、訓練手法がデータセットに収束するにつれて、ユーザーは競合モデルから受ける創作品質やスタイルの差別化が減少する可能性がある。これは専門的な、あるいはプレミアム提供の競争優位性を損なうおそれがある。日本の企業がAIを創作支援に導入した場合、競合他社のAIとの間で生成される作品の差別化が難しくなる可能性がある。

   この分析は、モデルアーキテクチャと訓練方法の収束を示唆している。これによりプロバイダーは、創作領域における基本的な出力品質よりも、機能とユーザー体験で競争する必要が出てくる可能性がある。

6. 6

   OpenAI、GPT-Image-2が透明背景画像に対応

   OpenAIはGPT-Image-2の透明背景対応をAPIで試験運用開始。「background=transparent」パラメータを使用することで、背景なしのPNG画像を生成できる。 生成時にアルファチャネルを組み込む手法は、従来の背景除去より優れた結果をもたらす。透明なガラスや細い繊維といった難しい部分でも、きれいなエッジが実現でき、商品写真やデザイン要素など、エッジの精度が重要な用途に有用。

   ユーザーはPython、OpenAIライブラリ、Pillowライブラリ、およびAPIキーを使用してAPI経由でこの機能にアクセスできる。OpenAIは、プロンプトから背景説明を除外し、生成された値をチャートで手動検証することを推奨している。モデルはラスタグラフィックスを生成し、ピクセル完全度の保証がないため。