「見るAI」と「描くAI」が1つに？Janus-Proが示す未来

こんむぎわ〜♪

いつもむぎ屋のnoteに遊びに来てくださって、本当にありがとうございます(´∀｀)

今日は、むぎが最近リサーチしていて「これはフォロワーの皆さんにぜひ共有したい！」と思った論文のお話です。DeepSeek-AIという中国のAI企業が2025年1月に発表した「Janus-Pro」という研究、知っていますか？普段Midjourneyやチャット型AIを使っている方でも、意外と身近に感じられる内容だと思うので、ぜひリラックスして読んでいただけたら嬉しいです。

実はこれ、むぎの中では結構な衝撃だったんです。。。

Midjourneyだけじゃ足りない日が来る？私の違和感

むぎは普段、画像生成にはMidjourneyやPixAIを使っています。一方で、画像の内容を説明したり、文章のチェックをしてもらったりするのはChatGPTやClaude。

この使い分け、正直「当たり前」だと思ってたんです。だって画像を「描く」AIと、文章や画像を「理解する」AIって、そもそも得意分野が違うものだと思い込んでいたから。

でも冷静に考えてみると、これって結構不便なんですよね。

例えば note の記事に使うアイキャッチ画像を作るとき。むぎの実際の作業フローはこんな感じです。

1. Midjourneyでプロンプトを打って画像を生成する

2. 何パターンか出てきた画像の中から「一番イメージに近いもの」を選ぶ

3. 「あれ、思ってたのと違う」と感じても、Midjourney自身はなぜズレたのか説明してくれるわけじゃない

4. 別のAI（ChatGPTなど）に画像をアップロードして「この画像、どう思う？意図と合ってる？」と聞き直す

5. その回答をもとに、またMidjourneyに戻ってプロンプトを調整する

6. これを、納得できる画像が出るまで繰り返す

……という、地味に手間のかかる往復作業をしています。ひどいときは、この行ったり来たりだけで30分近くかかってしまうこともあって、「本当はもっと記事の中身に時間を使いたいのに」と思うこと、正直よくあるんです。

しかも困ったことに、画像生成AIと画像理解AIって、同じ「画像を扱うAI」なのに、まったく別のツールとしてアカウントもインターフェースも分かれていますよね。この「分かれていることが当たり前」という感覚に、むぎはずっと疑問を持たずにいました。

「描く力」と「理解する力」が同じAIの中に同居してくれたら、この往復、いらなくなるんじゃないか。そう思っていた矢先に出会ったのが、今回ご紹介するJanus-Proという研究だったんです。

論文を読み進めていくうちに、「あ、これはむぎたちクリエイターの働き方にも関係してくる話だ」と感じたので、今日はできるだけ噛み砕いてお伝えしていきますね。専門用語もできる限り身近な言葉に「翻訳」しながら進めますので、AIの技術的な話に苦手意識がある方も、ぜひ最後までお付き合いいただけたら嬉しいです。

同じような「使い分けの面倒くささ」を感じたことがある方、いませんか？皆さんはどんなツールの組み合わせで画像制作をされていますか？ぜひコメントで教えてください♪

なぜ「描く」と「見る」は別々のAIだったのか

ここから少し専門的な話になりますが、できるだけ分かりやすく「翻訳」しながらお話ししますね。ちなみにJanus-Proを開発したDeepSeek-AIは、これまでにも大規模言語モデルの分野でコストパフォーマンスの高いモデルを次々と発表してきた企業として話題になっています。今回のJanus-Proも、そうした「効率よく高性能を出す」という開発スタンスの延長線上にある研究だと感じました。

これまでの画像系AIの多くは、大きく分けて2つのタイプに分類されてきました。

• 画像を「理解する」ことが得意なAI（画像の内容を説明したり、質問に答えたりするタイプ）

• 画像を「生成する」ことが得意なAI（テキストから絵を描き出すタイプ）

なぜこの2つが統合されにくかったのかというと、実は技術的にちゃんとした理由があります。

画像理解では「何が写っているのか」といった高レベルな意味表現が重要なのに対し、画像生成では、画像を再構成できるだけの細かな視覚情報を保持する必要があります。求められる情報の粒度が違うため、同じ視覚エンコーダー（画像を数値データに変換する仕組み）にすべてを担当させると、特に画像理解側の性能が十分に引き出せない場合がある、というのが従来のJanusシリーズが注目してきた課題でした。

イメージとしては、レシピを読んで内容を理解する係と、実際に鍋を振って料理する係を、同じ1人にいきなり両方やらせようとして、どちらも中途半端になってしまう……そんな感じでしょうか。

むぎ自身、G検定の勉強をしていたときに「画像認識モデル」と「画像生成モデル」はそもそも設計思想が違う、という話を学んだ記憶があります。認識系のモデルは「特徴を抽出して分類する」ことが目的で、生成系のモデルは「もっともらしいデータを新しく作り出す」ことが目的。ゴールが違うので、同じ仕組みで両方を無理に兼務させようとすると、どうしても歪みが出てしまうんですよね。

Janus-Proの前身にあたるのが2024年に発表された「Janus」です。また同じJanusシリーズには、Rectified Flowという別の生成手法を採用した「JanusFlow」という研究も存在します。Janus-ProはJanusFlowを直接発展させたモデルではなく、元祖Janusのアーキテクチャを基本的に維持しながら、学習方法・データ量・モデル規模を強化したモデルなんです。地道な改善を積み重ねてきたからこその今回の成果、というのを知って、むぎは勝手に親近感を持ってしまいました（´∀｀)。何事も一発で完成することなんてないんだな、と。