セッションのここまでの流れと整合的であるように，応答を生成する。 言語ゲーム型の画像生成AI だと，ユーザは AI につぎのような注文をすることができる： 「いまつくってもらった画像の上端から中央にかけて， 淡い青のグラデーションを重ねてください。」 現前の「画像生成 AI」は言語ゲーム型でないので，これはできない。 画像生成を言語ゲーム型にしないのは，単に無理だから。 前につくった画像の参照まで行うとなると，計算量が厖大になり過ぎて，計算資源が間に合わない。 実際，言語ゲーム型の画像生成AI は，OpenAI の DALL-E 初版が最初で最後のようである。 これは， 120億パラメータの Transform 250M件の画像キャプション対 による "Training" によって， 256×256 の画像 を生成することになったものである。 (  OpenAI : DALL·E 初版 (2021))
しかしこのスペックでは，実用にはならない。 現前の「画像生成 AI」は， 自然言語処理に，Transformer 画像生成に，拡散モデル。 のハイブリッド型が主流になっている。 Transformer は，ユーザの入力したテクストを拡張モデルの入力に翻訳することが，役割である。 ｢ユーザと拡散モデルのインタフェース｣ の格好になる。 ユーザは，プロンプトを色々変えて，生成画像をチューニングすることになる。 前の画像生成は，AI の経験にならない。 よって画像生成は，その都度，初めからやり直しである。 このしくみにより，「これでよい」と思う画像に到達するのは，難しい。 |