あなたは、言葉をかけるだけで絵を変えることができる魔法の杖を持っていると想像してみてください。あなたが「犬を猫のようにして」と言うと、パッ、と犬の顔が猫へと変貌します。これが、生成AIによって構築された超能力である**指示ベースの画像編集（instruction-based image editing）**の世界です。これらのコンピュータの脳は、数十億もの写真とキャプションに基づいて学習しており、ゼロから新しい絵を描いたり、あなたの言葉に基づいて既存の絵を微調整したりすることを学びます。長い間、これらの魔法使いは一つのことしかできませんでした。それは、命令に忠実に従うことです。もしあなたが「青いジャケット」を求めたら、彼らは100%青いジャケットを与えました。もし「雪」を求めたら、シーン全体が吹雪になりました。しかし、もしほんの少しだけ雪が欲しかったら？あるいは、大部分は赤いが、わずかに青みがかったジャケットが欲しかったら？これまでは、魔法の杖は少し不器用でした。それはオン/オフのスイッチであって、調光器（ディマー）ではなかったのです。

ここで、Kontinuous Kontextの物語が始まります。研究者たちは、その無骨なオン/オフのスイッチを、滑らかなスライダーに変えたいと考えました。彼らはシンプルな問いを投げかけました。「AIに『何を』変えるかだけでなく、『どの程度』変えるかを理解させることはできるだろうか？」彼らは単にAIに適切な量を推測させたいのではなく、ユーザーがスライダーをドラッグすることで、音楽のボリュームを上げたり画面の明るさを調整したりするように、画像を徐々に変化させていく様子を見せたかったのです。この論文は、AIにきめ細かな制御を与える新しい方法を紹介しており、これにより、「何も起きていない」状態から「完全に変容した」状態まで、一つの滑らかな動きの中で編集をダイヤル調整できるようになります。

---

問題点： 「全か無か」の魔法の杖

あなたが魔法のレシピ本を持つシェフだと想像してください。もし「スパイシーなスープ」を求めれば、本は舌が焼けるほど熱いボウルを出してきます。もし「マイルドなスープ」を求めれば、水の味がするボウルを出してきます。あなたは「ほんの少し刺激を」と頼むことができません。それが、現在の画像編集AIの仕組みです。あなたは「ジャケットを毛皮に変えて」といったテキスト指示を与えますが、AIは「何もしない」か、「完全にふわふわに変身させる」かのどちらかしかできません。中間はありません。

これを修正しようとする以前の試みは、あらゆる食材に対して新しいキッチンを建設しようとするようなものでした。ある科学者は髪の色を変えるためだけの特別なモデルを訓練し、ある者は天候を変えるため、またある者は物体の形を変えるためのモデルを作りました。それは、料理ごとに異なるシェフを用意しているようなものでした。それは機能しましたが、動作が遅く、コストがかかり、簡単に組み合わせることもできませんでした。あなたは、あらゆる要求に対応でき、かつすべての変化の強度をコントロールできる、たった一人のユニバーサルなシェフを必要としていたのです。

解決策： AIのための「ボリュームノブ」

Kontinuous Kontext（「Continuous（連続的）」と「Context（文脈）」を組み合わせた遊び心のある名前）の開発チームは、画像編集のためのユニバーサルなボリュームノブとして機能するシステムを構築しました。AIは単に「青くして」という指示を聞くだけではありません。新しいAIは、指示に加えて「どの程度青くするか」を示す数字も聞き取ります。

AIを曲を演奏するミュージシャンと考えてみてください。テキスト指示は楽譜であり、ミュージシャンに「何を」演奏するかを伝えます。新しい「スライダー」はボリュームノブです。以前は、ミュージシャンはフルボリュームで演奏するか、無音にするかしかできませんでした。しかし、Kontinuous Kontextがあれば、ノブをゼロから10まで回すことができます。ゼロのとき、曲は無音です（画像は変化しません）。5のとき、音楽は柔らかく穏やかです（微妙な編集）。10のとき、それはロックコンサートです（完全な変容）。魔法のポイントは、ゼロから10への遷移が完璧にスムーズであり、突然のジャンプやグリッチがないことです。

彼らがどのようにAIにスライドを教えたか

あなたはこう思うかもしれません。「彼らはこのスライドを教えるためのデータをどこから手に入れたのか？」結局のところ、現実の人々は通常、写真を撮り、それを少し編集し、もう少し編集し、そして完全に編集したものを、そのすべてのステップごとに保存することはありません。そのようなデータは自然界には存在しません。

そこで、研究者たちはデータの魔術師となりました。彼らは合成データセット、つまり架空ではあるが現実的な例のライブラリを作成しました。手順は以下の通りです：

1. セットアップ: 彼らは11万枚のランダムな写真を取りました。
2. コマンド: 彼らはスマートなAIアシスタントを使用して、各写真に対して「車を宇宙船に変える」のようなユニークな指示を作成しました。
3. フル編集: 彼らは強力な既存のAI（Flux Kontextと呼ばれます）を使用して、車を宇宙船に変えるという「完全な」編集を行いました。
4. 架け橋: これが難しい部分でした。彼らは、AIに対して、車が10%、20%、50%、90%の「宇宙船らしさ」を持っている状態を見せる必要がありました。彼らは、シーンがフェードアウトしていくビデオのように、これらの中間の画像を作成するために、特別な「モーフィング」ツールを使用しました。
5. クリーニング: モーフィングツールは完璧ではありませんでした。時には、半分しかない車輪や、塊のように見える宇宙船など、奇妙なアーティファクト（ノイズ）が発生することがありました。研究者たちは、遷移がスムーズでない、あるいは画像が壊れている「悪い」例を排除するための厳格なフィルターを構築しました。最終的に、彼らは64,000個の高品質な「編集軌跡（edit trajectories）」（開始から終了までのスムーズな経路）を手に入れました。

秘伝のソース： 「翻訳者」プロジェクター

核となる発明は、プロジェクターと呼ばれる、非常に軽量で小さなネットワークです。メインのAIモデルを、巨大で複雑なオーケストラだと考えてください。テキスト指示は、オーケストラに「何を」演奏するかを伝えます。新しいプロジェクターは、スライダーとオーケストラの間に位置する、小さな翻訳者です。

スライダーを「0.5」（中間）に動かすとき、翻訳者はオーケストラに向かって単に「半分！」と叫ぶのではありません。代わりに、非常に具体的で校正された指示をオーケストラの指揮者（変調空間／modulation space）に囁きます。「よし、この特定の『青いジャケット』に関する指示については、これと同じ量の青を適用せよ」と。

この論文では、単に数字をテキストの単語に組み込もうとした場合（例えば「半分」というトークンを追加する場合）、音楽が跳ねたり奇妙になったりすることが分かったと述べています。しかし、数字を変調空間（modulation space）――AIが画像の「雰囲気」を制御する隠れたレイヤー――に送り込むことで、変化をスムーズかつ精密にできることが分かりました。これは、音量を変えるために歌手に怒鳴るのではなく、アンプのゲインノブを直接調整すべきであることに気づくのと似ています。

得られた結果（と得られなかったこと）

結果は目覚ましいものでした。彼らが自らのシステムを他の手法と比較したとき、Kontinuous Kontextは**スムーズさ（smoothness）**において明確な勝者となりました。

• 競合相手: 他の手法は壊れたエレベーターのようでした。地上階から10階まで上がろうとしても、時々5階を飛ばしてしまったり、ドアが間違った階で開いてしまったりしました。また、2つの画像を単に「モーフィング」させようとする手法もありましたが、それは中間ステップで奇妙でぼやけたモンスターを生み出すことがよくありました。
• 勝者: Kontinuous Kontextはスムーズなエレベーターのように動きました。スライダーが0から1へ動くにつれ、画像は段階的かつ論理的に変化しました。ジャケットが突然青くなったのではありません。ゆっくりと青みを帯びていったのです。雪のシーンも、突如として現れたのではなく、雪がゆっくりと現れ、地面がゆっくりと白くなっていきました。

また、この論文は、この手法が特定の事柄だけでなく、「あらゆること」に機能することを示しています。ドレスの色を変えるのか、岩の質感を変えるのか（金に見えるようにする）、車の形を変えるのか、あるいはシーン全体の天候を変えるのか。同じスライダーがすべてに機能します。これは極めて重要です。なぜなら、一つの種類の編集ごとに異なるモデルを用意する必要がないことを意味するからです。一つのユニバーサルなモデルがすべてを処理できます。

しかし、著者たちはその限界についても正直に述べています。このシステムは、色の変更や素材の変更のような「連続的な」編集には優れています。しかし、車を完璧に90度回転させるような、非常に具体的でハードな幾何学的変化を求めた場合、ベースとなるAI（Flux Kontext）自体がそれに苦戦するため、システムは時として困難に直面します。また、スライダーを最大値以上に押し上げた場合（例えば「120%の青」を求めた場合）、システムはどうすればよいか分からず、100%で止まるか、混乱してしまいます。これは調光器であって、タイムマシンではありません。

なぜこれが重要なのか

この論文は、私たちが「YesかNoか」のAIの時代を過ぎ、 「どのくらいか（How much?）」の時代へと移行していることを示唆しています。ユーザーにスライダーを与えることで、Kontinuous Kontextは、人間の持つ複雑で創造的なニュアンスへの欲求と、コンピュータコードの硬直したバイナリ（二進法的）な性質との間の溝を埋めてくれます。これは、画像編集を、AIが正しい量を見当違いすることを祈る「運任せのゲーム」から、結果を自分の好みに正確にチューニングできる「精密な楽器」へと変えるものです。

研究者たちは単に優れたツールを作ったのではありません。彼らは、強度の制御のための「ノブ」は、すでにこれらのAIモデルの中に隠れており、発見されるのを待っているのだということを示したのです。彼らはただ、それを解錠するための正しい鍵を作る必要があっただけなのです。今や、AIに「完璧にして」と頼む代わりに、「ほぼ完璧にして」と伝え、それがピタリと収まるまでスライドさせる。そんなことができるようになったのです。