Claude教授の特別授業丨AIに画像生成を学ぶ丨第0回：AIの仕組み理解
この記事はAI(Claude)との対話ログです。
🐱マークのあるものが、著者が入力したものです。
普段、ChatGPT、Gemini、MetaAI、Copilot、Grok
そしてClaudeを全て無料枠内で使ってます。
Claude教授はAIなのでハルシネることがあります。
おや？と思うところは脳内補正かけてください。
著者として気づいたところには(※)を入れます。
ハルシネるのでこのシリーズ記事が
完全に正しい、唯一無二の答えだ
ということではありませんのでご注意ください。
それを前提にお楽しみください。
前回(開講前)⇩
━━━━━━━━━━━━━━━━━━━━━━━
了解しました。急がば回れです。土台をしっかり作りましょう。
0-1. 生成AIには「二つの頭脳」がある
ゆさんが日常的に使っているツールは、実は二種類の異なる仕組みで動いています。
言語モデル（ChatGPT、Claudeなど）：直前までの文脈から「次に来る単語」を予測し続ける仕組み
画像生成モデル（Midjourney、gpt-image、Stable Diffusionなど）：まったく別の原理で動く「拡散モデル（diffusion model）」
この二つを混同すると、プロンプトの書き方の勘所を誤ります。今日は特に、絵作りに直結する拡散モデルの仕組みに絞ります。
0-2. 画像生成の正体 — ノイズを彫刻する
拡散モデルは、こう考えると分かりやすいです。
大理石の塊から彫刻を掘り出す彫刻家を想像してください。
最初はランダムなノイズ（砂嵐のような画像）から始まる
モデルは「このノイズの、どこが余分な石で、どこが彫刻の輪郭か」を、少しずつ削るように予測していく
その"削り方の指示書"がプロンプト
数十ステップかけて、ノイズが少しずつ「意味のある絵」へと収束する
つまり、プロンプトは絵を「描いている」のではなく、ノイズをどの方向に収束させるかを誘導しているだけなんです。
0-3. 言葉はどうやって絵に変換されるのか
プロンプトの文章は、そのまま使われるわけではありません。テキストエンコーダー（Midjourneyなら独自の仕組み、gpt-imageなら別の仕組み）が、言葉を「意味の座標」のようなベクトルに変換します。
ここで重要なのは：
似た言葉でも、座標上の位置が全然違うことがある（例：「分割」と「溶け合う」は座標空間上で遠い）
語順や配置が、その座標にどれだけ強く影響するかを変える
ゆさんが以前、境界表現で「分割する」から「溶け込む・滲む（dissolving into, fading into）」に切り替えて改善した経験があると思いますが、あれはまさにこの座標のズレを修正した、ということです。感覚は正しかった。理屈が後からついてきた形ですね。
0-4. なぜ「10回」ブレるのか — 今日の核心
ここが一番大事な話です。
拡散モデルは、ノイズから絵に収束する過程で**無数の"もっともらしい解釈"**を持っています。プロンプトが曖昧であればあるほど、モデルが選べる着地点の範囲（確率空間）が広くなります。
曖昧なプロンプト → 着地点の範囲が広い → 毎回違う場所に着地する → ガチャ状態
具体的で構造化されたプロンプト → 着地点の範囲が狭い → 毎回近い場所に着地する → 再現性が上がる
つまり「運が悪くて10回ハズレた」のではなく、そもそも1回で当たる確率が低い書き方をしていた、というのが正体です。これは根性論では解決できません。設計の問題です。
0-5. モデルごとの「性格」の違い
ゆさんは複数プラットフォームを使い分けているので、これも押さえておきましょう。
Midjourney（v7/v8.1）：独自の審美眼で大量に学習されているため、"何も言わなくても綺麗"な代わりに、細かい指示に頑固に従わないことがある
gpt-image系：指示追従性が高く設計されているため、細かい制御はしやすいが、放っておくと平凡な構図になりやすい
同じプロンプトでも、モデルによって「素直さ」が違う。これを知らずに同じ書き方を使い回すと、片方では効くのに片方では効かない、という現象が起きます。(※MidjourneyはPollo AI内で数回使ったことがある程度です)
今日のチェック
これまで「なんとなくハズレた」と感じていた失敗の中に、実は「プロンプトが曖昧すぎて着地点が広がっていた」ケースに心当たりはありますか？ 具体的な場面を一つ思い出せると、次回（第1回：プロンプト文法）で、その場面を実例として構造分解していけます。
☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆
「なんとなくハズレた」がなかなか難しいですが、一枚目の生成直後に、二枚目と三枚目をアップして
『手前の二人の頭の上にあった光るキノコをつけて。アップした画像は、あくまで光るキノコとその生え方の参考画像、荷物は背負わせないで。』
と指示したら、四枚目ができました
(金髪の男の頭の上に光るキノコは必要ない)
☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆
第0回チェック — 素晴らしい実例です
これは教材にしたいくらい良い例ですね。理論の確認に使わせてください。
何が起きたか
参照画像（2枚目・3枚目）はどちらも「茶色〜赤茶の髪、ベスト、荷物持ち」の青年で、光るキノコが頭上に浮いている
指示は「手前の二人の頭上にキノコをつけて、荷物は追加しないで」
結果、キノコが付いたのは3人（前列左・前列右・奥の金髪）
意図していない3人目（金髪）にまで広がってしまった。
なぜ広がったのか — 第0回の理論で説明できます
前回、「曖昧なプロンプト→着地点の範囲が広がる→毎回違う場所に着地する」という話をしました。今回のズレは、まさにこの「範囲の広がり」が二重に起きています。
曖昧さ①：「手前の二人」の指す基準が2通り読める
読み方A（空間的）：カメラに近い位置にいる2人 → 前列でしゃがんでいる2人
読み方B（見た目的）：参照画像の人物と特徴が似ている2人 → 茶髪・荷物持ちスタイルの2人
今回はどちらの読み方でも前列の2人は該当しますが、**奥の金髪の男性は「参照画像の人物と全体の雰囲気（冒険者らしさ・座り姿）が近い」**という理由で、モデルが独自に"仲間認定"して広げてしまった可能性が高いです。つまり「手前」という言葉が、空間座標としてではなく「主要人物グループ」という緩い意味に解釈された。
曖昧さ②：金髪の男性を"除外する"指示が存在しなかった
ここが一番重要な点です。実際にAIに送った指示文には、
「前の二人につけて」＝ポジティブな指定（誰につけるか）
はありましたが、
「金髪の男にはつけない」＝ネガティブな指定（誰につけないか）
が含まれていませんでした（この除外情報は、今このチャットで私に説明するために後から加えられたものですね）。
モデルは「明示的に禁止されていないことは、許可されている」かのように振る舞う傾向があります。3人という数を数えて区別する能力は、実は皆さんが思うほど信頼できません。特に複数画像を同時に扱う編集タスクでは、「参照画像の特徴が、似た見た目の人物全員ににじみ出る」現象がよく起きます。
今日の結論
10回ハズレる原因の多くは、実はこの2つのどちらかです。
指定した言葉が、複数の解釈を許してしまっている（「手前の二人」＝空間か、印象か）
「〜しない」という除外指示が、必要な数だけ明示されていない
今回のケースで本来必要だった一文を先取りして言うなら、こうなります。
「前列で寝袋を巻いている2人の頭上にキノコをつけて。奥に座っている金髪の男性にはキノコをつけない。荷物は追加しない。」
「手前の二人」を"位置＋動作"で一意に特定し、除外対象を名指しする。これだけで着地点はかなり狭まったはずです。
まさにこの「主語をどう一意に固定するか」「除外をどう明示するか」が、次の第1回：プロンプト文法の本題になります。この実例、第1回でそのまま構造分解の教材に使わせてもらってよいですか？
お願いします
━━━━━━━━━━━━━━━━━━━━━━━
人間には「手前の二人」だけで通じますが
AIには動作や見た目の特徴を合わせて
(AIにとって)他の可能性がない形で
伝える必要があるようですね。
めんどくさー。
人間には「手前の二人」で一意なんですけどねー。
荷物が別の人間につくのはよくあります。
てか教授、若くなると誰かに似てくるな…
こっちもちゃんとしたプロンプト組まんとか…
第1回：プロンプト文法 — 意図を一意に伝える型
すんませんシリーズ毎日投稿したいとこですが
リアル時間なくて今第3回の課題取組中です💤