Sora は人間を置き換えたりしない—その理由とは

「Sora は人間を置き換えない、その理由」は、公開された証拠がインターネットインフラ、ガバナンス、運用上の依存関係、または市場の可視性に関連しているため、BTW メディアによってプロファイルされています。

• Sora は OpenAI が発表した動画生成モデルで、テキスト記述からリアルな動画を生成でき、大きな注目と議論を呼んでいる。
• Sora は人工知能分野での重要な一歩を示しているが、人間を完全に置き換えたり現実を破壊するという考えはまだ時期尚早であり、鍵となる課題は正確で一般化可能な世界モデルの構築にある。
• AI はツールであり、人間が問題解決を支援するために作った技術だ。現状では、AI が自己意識を持たない限り、「独創性」は持たず、既存の人間の知識を整理するにとどまる。

OpenAI は 2 月 16 日の早朝にテキスト動画モデルSoraを発表し、テクノロジー界やメディア界に衝撃と驚きの声を引き起こした。すぐに、OpenAI のウェブサイトで公開されたような、Sora が生成した爆発的な動画がオンラインで広く共有された。Sora を使えば、テキストの説明を入力するだけで、最大 60 秒の、非常に詳細なシーン、生き生きとしたキャラクターの表情、複雑なカメラの動きを含む動画を得ることができ、現実とほとんど見分けがつかない。ネットユーザーは、AI が映画、ショート動画、ゲームなどの分野に革命を起こしていると驚嘆し、「現実世界はもはや存在しない！」と言う誇張した声さえあった。AI による人間の置き換えがより身近に感じられた。

今回の出来事は、Sora が引き起こす新たな技術革命の波に私たちを驚嘆させた。これにより、一般人の動画制作のハードルが下がり、複雑な撮影や編集作業が不要になり、人々の想像力と創造性が動画コンテンツの競争力の最も重要な源泉となるだろう。その結果、「一人起業家」や非常に小規模なチームでも、以前は膨大な人手とコストが必要だった映画や動画コンテンツを制作できるようになるかもしれない。技術の波は、称賛と期待をもたらすと同時に、置き換えと破壊への懸念も生んでいる。

こちらもお読みください：AI による選挙干渉と戦うために署名した 20 の技術大手

Sora は物理世界を理解しておらず、「世界モデル」を欠いている

しかし、ここ数日、私は科学者や技術の最前線にいる多くの業界関係者が、依然として Sora の「世界モデル」の問題を最も議論しているのを観察した。Sora が生成する動画は、非常にリアルなビジュアルと一貫性を持っており、中には人間が作成したものとほとんど区別がつかないものもある。これは単純なことではない。機械が人間の認識に反することなく、現実世界の構造、詳細、運動の軌跡、光と影の変化を理解する必要がある。Sora が物理世界を理解し、「世界モデル」の萌芽を持っていると考える者もいる。AI の世界モデルは、そのメンタルモデルと見なすことができ、人工知能システムの自己と外界に対する理解と期待を反映している。人間の世界モデルを例にとると、「モデル」という言葉は、私たちが理解するすべての知識が事実の山として保存されておらず、世界とその中のすべてを反映する構造に組織化されていることを意味する。私たちは各アイテムについての一連の事実を覚えているのではなく、脳内に無数のモデルを構築している。例えば、「城門」や「寛骨の軸」などのモデルがあり、それぞれが独自の形状、配置、異なる部分の動きと連携の仕方を持っている。何かを認識するためには、その外見と質感を知っており、目標を達成するためには、世界の物が私たちと相互作用する際の典型的な振る舞いを理解している。例えば、リンゴをかじった場合、どのようなかじり跡がつくかなどである。しかし、多くの科学者は、Sora

が物理世界を理解しておらず、「世界モデル」を欠いていると考えている。

チューリング賞受賞者のYann LeCunは、記述に基づいてリアルな動画を生成するだけでは、必ずしもモデルが物理世界を理解していることを意味しないと指摘する。動画生成のプロセスは、世界モデルに基づく因果的な予測とは全く異なるのだ。

深層学習フレームワーク「Keras」の作者であり、Google の AI 研究者であるFrancois Cholletは、Sora のようなモデルは確かに「物理モデル」を組み込むことができるが、問題は、その物理モデルが正確かどうか、訓練データの単なる補間を超えて新しい状況に一般化できるかどうかだと示唆している。

Sora が生成した動画には実際にいくつかの欠陥が見られる。例えば、アリの巣の中を這うアリの主観ショットでは、よく見ると脚が 4 本しか見えなかったり、トレッドミルで走る人の動画では向きが反対だったり、「大きなアヒルがボストンの通りを横切る」動画では、アヒルが人を踏んでしまったりしている。

Nvidia のシニアリサーチサイエンティストである Jim Fan は、この問題について 2 つの可能性を示唆している。(1) モデルが物理の理解を欠いており、画像のピクセルをランダムに組み合わせているだけである。または (2) モデルが内部物理エンジンを構築しようとしているが、そのパフォーマンスが低い。

業界関係者は、Sora が「力技」のアプローチを採用しており、大量のデータ、大規模モデル、膨大な計算能力を活用し、ゲーム、自動運転、ロボット工学の分野で検証された世界モデルを基盤としてテキスト動画モデルを構築し、世界をシミュレートできるようにしていると考えている。

しかし、これは広範な「画像読み取り」によって世界の法則を学ぶことに相当し、理にかなってはいるが、ニュートンの法則のように物理的に演繹できる世界の法則を学ぶことはできない。

結局のところ、人間は鳥を模倣して飛行機を発明したのではなく、空気力学を理解することで発明した。Sora は確かに AI のもう一つの重要なマイルストーンであり、人間の仕事を大幅に簡素化し、人間の「ツール」属性を減らし、一部のタスクを支援または部分的に引き受けることを約束する。しかし、真の人間の置き換えや現実の破壊は時期尚早であるように思われる。

こちらもお読みください：AI チャットボットは 700 人の仕事をこなせるのか？

クイッククイズ

Sora が生成する動画の長さは最大何秒ですか？

A. 60 秒

B. 2 分

C. 4 分

D. 10 分

正解は記事の下部にあります。

AIGC は独創性の高いコンテンツクリエイターにとって強力なツールになり得る

AIGC（Sora を含むがこれに限定されない）のさらなる発展は、多様性にとってより好ましい方向への再編成プロセスを推進するだろう。私たちは、非常に単純化された分析モデルを用いて、インターネットネイティブなコンテンツクリエイターの能力を 2 つの方向に分けることができる。第一に、話題性への感度、すなわち流行の話題やトレンドを追いかける能力だ。疑いなく、常に、ソーシャルメディアのトラフィックの大部分は、ごく少数の話題に集中している。これらの話題を掴む能力が、クリエイターの短期的な爆発力、もっと洒落た言い方をすれば「バイラル性」を決定する。第二に、コンテンツのトーン、つまりコンテンツの独自性と代替不可能性だ。一部のクリエイターのコンテンツは忘れがたく、競合他社が真似できない明確な個人的痕跡を帯びている。十分に代替不可能なトーンを持つことが、クリエイターの持続力、言い換えれば「耐久性」や「ファンの粘着性」を決定する。

AIGC は、コンテンツのトーンに優れ、徐々に人気を集めているニッチなコンテンツクリエイターに利益をもたらす一方で、短命なトレンドの話題を捉えて繁栄してきたクリエイターには不利に働くだろう。AIGC の時代には、話題を追いかけることは、コンテンツクリエイターにとっての基本的な競争優位性ではなくなる。なぜなら、それを行うための敷居が下がるからだ。したがって、コンテンツのトーンの重要性はさらに高まり、唯一の勝ち札になる可能性さえある。

話題にタイムリーに対応することは主に AI の仕事となり、主な競争は AIGC の効率性となり、誰もが差別化するのは難しくなる。しかし、トーンに中核的な競争力を持つコンテンツクリエイターにとって、AIGC は新しい強力な武器となり得る。ネットユーザーは依然として話題を追いかける自然な傾向があるが、彼らがますます求めるようになるのは、タイムリーなコンテンツではなく、むしろ独自性のある解釈や深い分析である。

ちょうど、サッカーファンが迅速で包括的なニュース報道から、試合の深い分析やインタラクティブでエンターテイメント性のある番組へと関心を移しているのと同じである。高品質なニッチクリエイターは AI と協力できる。前者はトーン、いわゆる「ひらめき」に集中し、後者はコンテンツ業界で「基礎作業」と呼ばれる反復的なタスクを処理するのだ。

AI にはまだ長い道のりがある

Sora はゲームを変える。ハリウッドの仕組みを知っているなら、彼らが間違いなく仕事を置き換えるためにこれを使おうとするだろう。しかし、これはツールであり、ある人々はそれを手に取って活用し、他の人々はそうしない。私はまだ人間の感情に満ちた AI を見たことがない。今のところはかなり不気味だ。それが完全な脅威になるのは、人間に感情を感じさせることができるようになったときだけだ。

Lee Romaire、クリエイティブプロデューサー、エミー賞受賞者

AI はツールであり、人間が問題を解決するために作り出した技術的手段である。現状では、AI が自己意識を発達させない限り、「独創性」を持たず、既存の人間の知識を収集・整理するにとどまる。ChatGPT のような高度な生成 AI も例外ではない。

エミー賞受賞者の Lee Romaire は、この件について次のように意見を述べている。「Sora はゲームを変える。ハリウッドの仕組みを知っているなら、彼らが間違いなく仕事を置き換えるためにこれを使おうとするだろう。しかし、これはツールであり、ある人々はそれを手に取って活用し、他の人々はそうしない。私はまだ人間の感情に満ちた AI を見たことがない。今のところはかなり不気味だ。それが完全な脅威になるのは、人間に感情を感じさせることができるようになったときだけだ。」

OpenAI はすでに Sora の技術的詳細を公開しており、その技術ロードマップが以前に発表されたテキスト画像モデルを継承していることを明らかにしている。いくつかの革新はあるが、革命的なものではない。少なくとも現在の環境では、Sora が真の「独創性」を生み出す可能性は低く、動画生成における効果と説得力は、依然としてユーザー個人の「訓練」に大きく依存している。

正解は A です。